CN114159070A - 一种卷积神经网络的心脏骤停风险实时预测方法及系统 - Google Patents
一种卷积神经网络的心脏骤停风险实时预测方法及系统 Download PDFInfo
- Publication number
- CN114159070A CN114159070A CN202111559716.1A CN202111559716A CN114159070A CN 114159070 A CN114159070 A CN 114159070A CN 202111559716 A CN202111559716 A CN 202111559716A CN 114159070 A CN114159070 A CN 114159070A
- Authority
- CN
- China
- Prior art keywords
- ecg
- neural network
- signal
- ecg signal
- convolutional neural
- 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.)
- Pending
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 71
- 208000010496 Heart Arrest Diseases 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims description 100
- 206010049418 Sudden Cardiac Death Diseases 0.000 claims description 22
- 238000012544 monitoring process Methods 0.000 claims description 22
- 238000012952 Resampling Methods 0.000 claims description 21
- 208000014221 sudden cardiac arrest Diseases 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 17
- 230000002776 aggregation Effects 0.000 claims description 15
- 238000004220 aggregation Methods 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000011425 standardization method Methods 0.000 claims description 9
- 230000033764 rhythmic process Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- YDGMGEXADBMOMJ-LURJTMIESA-N N(g)-dimethylarginine Chemical compound CN(C)C(\N)=N\CCC[C@H](N)C(O)=O YDGMGEXADBMOMJ-LURJTMIESA-N 0.000 claims description 6
- YDGMGEXADBMOMJ-UHFFFAOYSA-N asymmetrical dimethylarginine Natural products CN(C)C(N)=NCCCC(N)C(O)=O YDGMGEXADBMOMJ-UHFFFAOYSA-N 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000000747 cardiac effect Effects 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract 1
- 230000002349 favourable effect Effects 0.000 abstract 1
- 238000002565 electrocardiography Methods 0.000 description 174
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 11
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 208000003663 ventricular fibrillation Diseases 0.000 description 4
- 208000024172 Cardiovascular disease Diseases 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005189 cardiac health Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010047302 ventricular tachycardia Diseases 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000020446 Cardiac disease Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000036996 cardiovascular health Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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]
-
- 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
- A61B5/363—Detecting tachycardia or bradycardia
-
- 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
- A61B5/7235—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
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Evolutionary Computation (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- General Physics & Mathematics (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Cardiology (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种卷积神经网络的心脏骤停风险实时预测方法及系统，首先获取ECG信号进行预处理，实现ECG信号的划分、去噪、降维和标准化，将预处理后的ECG片段输入已经训练好的神经网络模型进行分类，输出心脏骤停风险的预测结果。本发明克服了基于手动特征设计的心脏骤停风险预测方法的缺点，能够自适应地提取特征，准确预测心脏骤停前三小时的长程风险，同时迅速得到推理结果，有利于实现心脏骤停风险的实时预测，使用神经网络提取形态特征，能有效地区分心脏骤停风险和正常的心电信号片段。
Description
技术领域
本发明属于基于心电信号的心脏骤停风险实时预测技术领域，具体涉及一种卷积神经网络的心脏骤停风险实时预测方法及系统。
背景技术
心血管疾病(Cardiovascular disease,CVD)指的是关于心脏或血管的疾病，又称循环系统疾病。国家心血管病中心发布的《中国心血管健康与疾病报告2019》显示，心血管病死亡是中国人死亡的首要原因。心脏骤停和心源性猝死是指心脏活动突然中止伴血流动力学衰竭，通常是由持续性室性心动过速(Ventricular Tachycardia,VT)和心室颤动(Ventricular Fibrillation,VF)导致。心脏骤停与心血管病有着紧密联系，绝大多数器质性心脏病可能诱发心脏骤停。心脏骤停发生后，病人的存活率每分钟下降10％，尽早地得到专业人员的救治能够有助于挽救病人的生命。因此，如果能尽早对心脏骤停的风险进行预测，就能给病人提供预警信息，从而增加病人接受专业救治的机会，提高病人的生存率。
ECG是一种经胸腔的以时间为单位记录心脏的电生理活动、通过安置在皮肤上的电极捕捉其电信号并绘制成线记录下来的诊疗技术。由于其无创性，心电图在临床上应用广泛，也被作为心脏健康监测的标准。随着临床医学上对心脏骤停机理的研究深入，心电图上也能体现出一些心脏骤停的预测因子，从而说明了心电图能被用于心脏骤停的风险预测。
近十年来，随着机器学习与深度学习技术的发展，许多基于心电图信号设计用于预测心脏骤停风险的算法被提出，但多数算法采用手动特征设计与筛选再进一步进行分类的方式，往往会由于预测精度、预测长度、特征泛化性、实时性等问题，难以被应用到实际场景中，不能满足人们在日常生活中监测心脏健康的需求。
发明内容
有鉴于此，本发明提出一种基于卷积神经网络的心脏骤停风险实时预测方法及系统，用以解决或者至少部分解决现有技术中的方法存在的预测精度、预测长度、特征泛化性和实时性等技术问题。
为了解决上述技术问题，本发明第一方面提供了一种基于卷积神经网络的心脏骤停风险实时预测方法，包括以下步骤：
步骤S1、收集多个心脏骤停患者在心脏骤停发生前三小时的ECG信号作为多条正样本，收集多个正常人窦性心律的ECG信号作为多条负样本；将每条正样本通过滑窗方式划分成多条预定长度的短ECG正样本信号，将每条负样本通过滑窗方式划分成多条预定长度的短ECG负样本信号，每条正样本中每条预定长度的短ECG正样本信号对应的标签为心脏骤停，每条负样本中每条预定长度的短ECG负样本信号对应的标签为正常，将多条正样本的多条预定长度的短ECG正样本信号以及多条负样本的多条预定长度的短ECG负样本信号混合为训练集,所述训练集中每个训练样本ECG信号对应每条正样本中每条预定长度的短ECG正样本信号或对应每条负样本中每条预定长度的短ECG负样本信号；
步骤S2、若训练集中每个训练样本ECG信号的采样频率不是f,则对ECG信号进行重采样，重采样频率设为f；通过使用小波阈值方法进行降噪处理、使用分段聚合近似进行降维处理、使用高斯标准化方法进行标准化处理得到每个预处理后训练样本ECG信号；
步骤S3、引入卷积神经网络，将每个预处理后训练样本ECG信号依次输入至卷积神经网络预测得到每个训练样本对应的未来3小时内为心脏骤停或正常的预测结果，进一步结合每个训练样本对应未来3小时内心脏骤停或正常的标签构建卷积神经网络损失函数模型，进一步通过ADMA算法优化训练得到优化后卷积神经网络；
步骤S4、将心电信号采集传感器与上位机连接，将心电信号采集传感器放置于人体心脏处，监测获得预定长度的ECG信号；
所述监测获得预定长度的ECG信号为：
所述上位机实时接收通过所述心电信号采集传感器采集的ECG信号，接收的ECG信号带有时间戳；使用滑窗技术将ECG信号划分成预定长度的ECG片段，当剩余ECG信号长度不足预定大小时被置入模块的缓存，等待下一次接收ECG信号时根据时间戳进行拼接。
步骤S5、输入监测获得的预定长度的ECG信号，若ECG信号的采样频率不是f,则对ECG信号进行重采样，重采样频率设为f；通过使用小波阈值方法进行降噪处理、使用分段聚合近似进行降维处理、使用高斯标准化方法进行标准化处理得到预处理后ECG信号，进一步通过优化后卷积神经网络预测，得到未来3小时内是否会心脏骤停的预测结果；
步骤S6、所述上位机结合所述心电信号采集传感器监测得到的下一段指定长度的ECG信号，重复S5，进行实时预测。
基于同样的发明构思，本发明第二方面提供了一种基于卷积神经网络的心脏骤停风险实时预测系统,其特征在于包括：
训练集构建模块、预处理模块、卷积神经网络训练模块、心电信号采集模块、实时预测模块；
所述的训练集构建模块、预处理模块、卷积神经网络训练模块、实时预测模块依次连接；所述的心电信号采集模块与所述实时预测模块连接。
作为优选，所述训练集构建模块用于收集多个心脏骤停患者在心脏骤停发生前三小时的ECG信号作为多条正样本，收集多个正常人窦性心律的ECG信号作为多条负样本；将每条正样本通过滑窗方式划分成多条预定长度的短ECG正样本信号，将每条负样本通过滑窗方式划分成多条预定长度的短ECG负样本信号，每条正样本中每条预定长度的短ECG正样本信号对应的标签为心脏骤停，每条负样本中每条预定长度的短ECG负样本信号对应的标签为正常，将多条正样本的多条预定长度的短ECG正样本信号以及多条负样本的多条预定长度的短ECG负样本信号混合为训练集,所述训练集中每个训练样本ECG信号对应每条正样本中每条预定长度的短ECG正样本信号或对应每条负样本中每条预定长度的短ECG负样本信号，并输出至所述预处理模块；
作为优选，所述预处理模块用于判断若训练集中每个训练样本ECG信号的采样频率不是f,则对ECG信号进行重采样，重采样频率设为f；通过使用小波阈值方法进行降噪处理、使用分段聚合近似进行降维处理、使用高斯标准化方法进行标准化处理得到每个预处理后训练样本ECG信号，并输出至所述卷积神经网络训练模块；
作为优选，所述卷积神经网络训练模块用于引入卷积神经网络，将每个预处理后训练样本ECG信号依次输入至卷积神经网络预测得到每个训练样本对应的未来3小时内内心脏骤停或正常的预测结果，进一步结合每个训练样本对应未来3小时内心脏骤停或正常的标签构建卷积神经网络损失函数模型，进一步通过ADMA算法优化训练得到优化后卷积神经网络，将化后卷积神经网络传输至所述实时预测模块；
作为优选，所述心电信号采集模块包括心电信号采集传感器与上位机，将所述心电信号采集传感器与所述上位机连接，将所述心电信号采集传感器放置于人体心脏处，监测获得预定长度的ECG信号，并传输至所述实时预测模块；
所述获得预定长度的ECG信号为：
所述上位机实时接收通过所述心电信号采集传感器采集的ECG信号，接收的ECG信号带有时间戳；使用滑窗技术将ECG信号划分成预定长度的ECG片段，当剩余ECG信号长度不足预定大小时被置入模块的缓存，等待下一次接收ECG信号时根据时间戳进行拼接。
作为优选，所述实时预测模块用于输入监测获得的预定长度的ECG信号，若ECG信号的采样频率不是f,则对ECG信号进行重采样，重采样频率设为f；通过使用小波阈值方法进行降噪处理、使用分段聚合近似进行降维处理、使用高斯标准化方法进行标准化预处理得到预处理后ECG信号，进一步通过优化后卷积神经网络预测，得到未来3小时内是否会心脏骤停的预测结果。
基于同样的发明构思，本发明第三方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现所述基于卷积神经网络的心脏骤停风险实时预测方法。
基于同样的发明构思，本发明第四方面提供了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上存储有计算机程序，该程序被处理器执行时实现所述基于卷积神经网络的心脏骤停风险实时预测方法。
本发明对比已有研究具有以下优点：
提高了心脏骤停风险预测的准确率，使用神经网络自动提取形态特征，能有效地区分心脏骤停风险和正常的ECG片段，经过训练后的模型对心脏骤停前三小时的风险预测平均精确率达到96.9％、平均召回率达到98.6％，平均F1-score达到0.977。
提取了心脏骤停患者在心脏骤停发生前三小时的ECG数据用于模型训练，增加了预测心脏骤停风险的时间跨度，能够更早地对有风险的患者进行预警，提高其生存率。
神经网络在推理模式下能够迅速获得一个ECG片段的预测结果，相比于之前研究所用的特征工程，实时性更好，能更好地应用于实际健康监控场景。
本发明采用患者间方案进行训练，保证了模型学习到的是有效的泛化特征，这在数据集有限的条件下是必要的。
附图说明
图1：为本发明方法流程示意图；
图2：为本发明实施例流程示意图；
图3：为本发明一种具体实施方式中预处理的流程示意图
图4：为本发明一种具体实施方式中小波去噪效果示意图；
图5：为本发明基于卷积神经网络的心脏骤停风险实时预测系统的模块示意图；
图6：为本发明提供的计算机设备的模块示意图；
图7：为本发明提供的计算机可读存储介质的模块示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
实施例一
如图1所示，本实施例提供了一种基于卷积神经网络的心脏骤停风险实时预测方法，包括以下步骤：
步骤S1、收集多个心脏骤停患者在心脏骤停发生前三小时的ECG信号作为多条正样本，收集多个正常人窦性心律的ECG信号作为多条负样本；将每条正样本通过滑窗方式划分成多条预定长度的短ECG正样本信号，将每条负样本通过滑窗方式划分成多条预定长度的短ECG负样本信号，每条正样本中每条预定长度的短ECG正样本信号对应的标签为心脏骤停，每条负样本中每条预定长度的短ECG负样本信号对应的标签为正常，将多条正样本的多条预定长度的短ECG正样本信号以及多条负样本的多条预定长度的短ECG负样本信号混合为训练集,所述训练集中每个训练样本ECG信号对应每条正样本中每条预定长度的短ECG正样本信号或对应每条负样本中每条预定长度的短ECG负样本信号；
步骤S2、若训练集中每个训练样本ECG信号的采样频率不是f,则对ECG信号进行重采样，重采样频率设为f；通过使用小波阈值方法进行降噪处理、使用分段聚合近似进行降维处理、使用高斯标准化方法进行标准化处理得到每个预处理后训练样本ECG信号；
步骤S3、引入卷积神经网络，将每个预处理后训练样本ECG信号依次输入至卷积神经网络预测得到每个训练样本对应的未来3小时内为心脏骤停或正常的预测结果，进一步结合每个训练样本对应未来3小时内心脏骤停或正常的标签构建卷积神经网络损失函数模型，进一步通过ADMA算法优化训练得到优化后卷积神经网络；
步骤S4、将心电信号采集传感器与上位机连接，将心电信号采集传感器放置于人体心脏处，监测获得预定长度的ECG信号；
所述监测获得预定长度的ECG信号为：
所述上位机实时接收通过所述心电信号采集传感器采集的ECG信号，接收的ECG信号带有时间戳；使用滑窗技术将ECG信号划分成预定长度的ECG片段，当剩余ECG信号长度不足预定大小时被置入模块的缓存，等待下一次接收ECG信号时根据时间戳进行拼接。
步骤S5、输入监测获得的预定长度的ECG信号，若ECG信号的采样频率不是f,则对ECG信号进行重采样，重采样频率设为f；通过使用小波阈值方法进行降噪处理、使用分段聚合近似进行降维处理、使用高斯标准化方法进行标准化处理得到预处理后ECG信号，进一步通过优化后卷积神经网络预测，得到未来3小时内是否会心脏骤停的预测结果；
步骤S6、所述上位机结合所述心电信号采集传感器监测得到的下一段指定长度的ECG信号，重复S5，进行实时预测。
实施例二
本实施例提供了一种基于卷积神经网络的心脏骤停风险实时预测方法，参见图2，该方法包括：
步骤S1、输入监测获得的指定长度的ECG信号(指定长度不小于1分钟)；具体来说，对于心脏骤停风险的判断至少应该建立在一分钟长度的连续ECG信号之上，而采用滑动窗口划分是为了尽可能地利用ECG数据。
步骤S2、对S1的ECG信号进行预处理；
在一种实施方式中，请参见图3，步骤S2所述的预处理具体包括：
步骤S2.1：如果ECG信号的采样频率不是250Hz,则对ECG信号进行重采样，重采样频率设为250Hz；
步骤S2.2：使用小波阈值方法，对经过S2.1处理后的ECG信号进行降噪处理；
步骤S2.3：使用PAA(分段聚合近似)，对ECG信号进行降维处理；
步骤S2.4：使用高斯标准化方法，对ECG信号进行标准化，标准化后的ECG信号均值为0，方差为1
具体来说，使用线性插值将ECG片段重采样至250Hz，保证ECG片段能表现出同尺度下的形态特征，因此每条一分钟长度的ECG片段共15000个采样点。
使用小波阈值方法去除基线漂移、工频干扰和高频噪声，减少不必要的干扰，小波阈值去噪的效果如图4所示；使用到的小波基函数为Coif4，分解层数为8，使用极小极大方差阈值以及软阈值处理函数，极小极大方差阈值具体定义如下：
σ＝middle(W1，k)/0.6745，0≤k≤2j-1-1
其中N表示对应尺度上的小波系数个数，W1，k表示尺度为1的小波系数，σ为噪声信号的标准差。软阈值处理函数定义如下：
其中w为小波系数，λ为选定的阈值。
使用窗口大小为5的分段聚合近似(PAA)对ECG片段进行降维；分段聚合近似的原理是以窗口内数据的均值代替窗口内的数据，从而起到降维的效果。
使用均值标准化对ECG片段进行幅度上的缩放平移，在尽可能幅度上的差异下，使得ECG片段的值更加集中。
步骤S3、根据已经训练好的卷积神经网络预测模型，基于S2的ECG信号预测被监测者未来3小时内发生心脏骤停的风险。
在一种实施方式中，步骤S3所述的预测模型是基于卷积神经网络的深度学习模型。卷积神经网络模型同时进行特征表示学习和预测模型构建。自动从输入的ECG信号中提取特征，并通过对大量带标签的ECG训练数据的学习获得最佳的特征表示和最优的模型参数，不需要手工设计特征对ECG信号进行特征表示，因此不需要专业的领域知识，更便于实际应用。
具体来说，步骤S3所述的卷积神经网络，由前置卷积层、前置池化层、预设数目的预激活改进残差块、全局平均池化层、全连接层依次级联构成；
输入的ECG片段经过前置卷积层、前置池化层后得到粗略特征，再经过预设数目的残差块得到细致特征，经过全局池化层进行每个细致特征的量化，最后将量化的细致特征输入全连接层进行心脏骤停风险的预测；
优选地，，前置卷积层的卷积核个数设置为64个，卷积核大小设置为1x7，步长设置为2，前置最大池化层核大小设置为1x3，步长设置为2。
具体来说，一个残差块包括2个卷积层(Conv layer)，2个批规范(BatchNormalization，BN)层，2个修正线性单元(Rectified Linear Unit，ReLU)，其中下采样残差块的第一个卷积层的步长为2，其余所有卷积层步长均为1，残差层的跳层连接方式使用预激活短路连接。
优选地，使用16个残差块，将残差块分为4组，每组残差块的数目分别为3、4、6、3，每组的卷积核个数分别为32、63、128、512，所有残差块的卷积核大小均为1x3，除了第一组之外，每一组的第一个残差块为下采样残差块用于降维，其余均为普通残差块。
在一种实施方式中，步骤S3所述的卷积神经网络预测模型，训练过程具体包括：
S3.1构建训练集。首先，收集心脏骤停患者在心脏骤停发生前三小时的ECG数据用于模型训练的正样本，窦性心律的ECG信号作为负样本。其次，采用滑窗方式，将每条ECG信号划分成预定长度的短ECG信号(滑窗大小不小于1分钟)，每条短ECG信号和其所在的长ECG信号具有相同的标签。最后，得到所有预定长度的ECG及其标签作为训练样本构成训练集。
S3.2对每个训练样本的ECG信号，采用前述步骤S2中的方法进行预处理。
S3.3用经过S3.2预处理的训练样本训练卷积神经网络，得到预测模型。
步骤S4、监测得到的下一段指定长度的ECG信号，重复S1-S3，进行实时预测。
为了验证本发明的有效性及可行性，选择心源性猝死数据集MIT-BIH SCDDB和窦性心律数据集MIT-BIH NSRDB作为正负样本，所有提取自SCDDB的样本标签均设置为1，所有提取自NSRDB的样本标签均设置为0，两个数据集都是双导联数据，本实施例中仅使用第一个导联的数据。对于MIT-BIH SCDDB，根据记录的头文件，筛除三名没有发生VF的病人，记录编号为40、42、49，而对其它记录，凡是心脏骤停时间前ECG数据长度低于三个小时的病人，提取从头开始直到VF发生的ECG数据。对于MIT-BIH NSRDB，每个病人随机提取2500个时间长度为1分钟的ECG片段。以步长为10s的滑动窗口提取三小时SCD-ECG数据中长度一分钟的ECG片段，从而增加SCD样本的数量；提取后记录编号以及记录的ECG片段数如表1所示：
表1
| SCDDB Record | ECG Segments | NSRDB Record | ECG Segments |
| 30 | 1080 | 16265 | 2500 |
| 31 | 1080 | 16272 | 2500 |
| 32 | 1080 | 16273 | 2500 |
| 33 | 1080 | 16420 | 2500 |
| 34 | 1080 | 16483 | 2500 |
| 35 | 1080 | 16539 | 2500 |
| 36 | 1080 | 16773 | 2500 |
| 37 | 541 | 16786 | 2500 |
| 38 | 1080 | 16795 | 2500 |
| 39 | 1080 | 17052 | 2500 |
| 41 | 1070 | 17453 | 2500 |
| 43 | 1080 | 18177 | 2500 |
| 44 | 1080 | 18184 | 2500 |
| 45 | 1080 | 19088 | 2500 |
| 46 | 1080 | 19090 | 2500 |
| 47 | 1080 | 19093 | 2500 |
| 48 | 892 | 19140 | 2500 |
| 50 | 1080 | 19830 | 2500 |
| 51 | 1080 | ||
| 52 | 910 |
使用患者间方案，将数据集按照病人进行划分，保证同一个病人的ECG片段不会同时出现在训练集和验证集，具体地，对患者进行组平衡的10折划分，保证了数据平衡性，这种数据划分方案才能保证模型学习的是独立于样本外的泛化特征。
定义损失函数为交叉熵损失，对于一个ECG片段，其损失为预测结果和标签之间的交叉熵损失，具体地，单一损失定义如下：
yi为ECG片段的标签，
为ECG片段的预测结果，n为总的类别数。训练过程中按批次训练，总的损失是一个批次内所有单一损失的均值，
选择Adam作为迭代学习的优化器，定义学习率递减方式，学习率随着训练迭代次数增加而递减，帮助模型收敛。具体地，学习率初始值为1E-4，每迭代训练两轮之后变为原来的0.5倍。总的迭代次数为10，每次训练的批量数为32。
基于反向传播算法，对卷积神经网络进行多次迭代优化，得到分类模型后根据模型对ECG片段的分类结果进行心脏骤停风险的预测。具体地，当模型将ECG片段分类为1，认为当前ECG片段有心脏骤停的风险，当模型将ECG片段分类为0，认为当前ECG片段是正常的。
最后，使用训练后的模型进行性能测试获得模型的评价指标。十折测试集上的精确率、召回率和F1分数如表2所示：
表2
| Test record name | Precision | Recall | F1-score |
| [31,50,16773,18184] | 100％ | 100％ | 1 |
| [39,48,16420,16786] | 83.6％ | 99.6％ | 0.909 |
| [38,41,16795,18177] | 98.4％ | 100％ | 0.992 |
| [36,45,19140,19830] | 87.8％ | 100％ | 0.935 |
| [33,44,17453,19088] | 100％ | 93.4％ | 0.966 |
| [34,47,16265,16273] | 100％ | 93.2％ | 0.965 |
| [37,52,16272,17052] | 99.4％ | 100％ | 0.997 |
| [43,51,16539,19090] | 100％ | 99.9％ | 0.999 |
| [35,46,19093] | 100％ | 100％ | 1 |
| [30,32,16483] | 100％ | 99.9％ | 0.999 |
| Avg | 96.9％ | 98.6％ | 0.977 |
由上表可知，本发明的方法在测试集上平均Precision值达到96.9％、平均Recall达到98.6％，平均F1-score达到0.977。我们可以看出在患者间方案的数据划分方式下，模型也能比较有效地学习到训练集之外的泛化特征，模型也可以根据学习到的形态特性进行心脏骤停风险与正常两类ECG片段的分类，从而说明模型可以有效对心脏骤停风险进行预测。实验结果表明本发明所提出的方法是行之有效的，能够敏感地检测出具有心脏骤停风险的ECG片段，能够很快地得到对ECG片段的分析结果，能够有效地提取到心脏骤停风险ECG的底层泛化特征，因此具有较大的社会实用价值。
实施例三
基于同样的发明构思，本实施例提供了一种基于卷积神经网络的心脏骤停风险实时预测系统,如图5所示，其特征在于包括：
训练集构建模块、预处理模块、卷积神经网络训练模块、心电信号采集模块、实时预测模块；
所述的训练集构建模块、预处理模块、卷积神经网络训练模块、实时预测模块依次连接；所述的心电信号采集模块与所述实时预测模块连接。
作为优选，所述训练集构建模块用于收集多个心脏骤停患者在心脏骤停发生前三小时的ECG信号作为多条正样本，收集多个正常人窦性心律的ECG信号作为多条负样本；将每条正样本通过滑窗方式划分成多条预定长度的短ECG正样本信号，将每条负样本通过滑窗方式划分成多条预定长度的短ECG负样本信号，每条正样本中每条预定长度的短ECG正样本信号对应的标签为心脏骤停，每条负样本中每条预定长度的短ECG负样本信号对应的标签为正常，将多条正样本的多条预定长度的短ECG正样本信号以及多条负样本的多条预定长度的短ECG负样本信号混合为训练集,所述训练集中每个训练样本ECG信号对应每条正样本中每条预定长度的短ECG正样本信号或对应每条负样本中每条预定长度的短ECG负样本信号，并输出至所述预处理模块；
作为优选，所述预处理模块用于判断若训练集中每个训练样本ECG信号的采样频率不是f,则对ECG信号进行重采样，重采样频率设为f；通过使用小波阈值方法进行降噪处理、使用分段聚合近似进行降维处理、使用高斯标准化方法进行标准化处理得到每个预处理后训练样本ECG信号，并输出至所述卷积神经网络训练模块；
作为优选，所述卷积神经网络训练模块用于引入卷积神经网络，将每个预处理后训练样本ECG信号依次输入至卷积神经网络预测得到每个训练样本对应的未来3小时内内心脏骤停或正常的预测结果，进一步结合每个训练样本对应未来3小时内心脏骤停或正常的标签构建卷积神经网络损失函数模型，进一步通过ADMA算法优化训练得到优化后卷积神经网络，将化后卷积神经网络传输至所述实时预测模块；
作为优选，所述心电信号采集模块包括心电信号采集传感器与上位机，将所述心电信号采集传感器与所述上位机连接，将所述心电信号采集传感器放置于人体心脏处，监测获得预定长度的ECG信号，并传输至所述实时预测模块；
所述获得预定长度的ECG信号为：
所述上位机实时接收通过所述心电信号采集传感器采集的ECG信号，接收的ECG信号带有时间戳；使用滑窗技术将ECG信号划分成预定长度的ECG片段，当剩余ECG信号长度不足预定大小时被置入模块的缓存，等待下一次接收ECG信号时根据时间戳进行拼接。
作为优选，所述实时预测模块用于输入监测获得的预定长度的ECG信号，若ECG信号的采样频率不是f,则对ECG信号进行重采样，重采样频率设为f；通过使用小波阈值方法进行降噪处理、使用分段聚合近似进行降维处理、使用高斯标准化方法进行标准化预处理得到预处理后ECG信号，进一步通过优化后卷积神经网络预测，得到未来3小时内是否会心脏骤停的预测结果。
实施例四
基于同样的发明构思，本发明第三方面提供了一种电子设备，包括存储器301、处理器302及存储在存储器上并可在处理器上运行的计算机程序303，请参见图6，所述处理器执行所述程序时实现所述基于卷积神经网络的心脏骤停风险实时预测方法。
具体来说，电子设备可以是能够实现实施例一中识别方法的检测设备，当然，该设备还可以包括其他相对应的硬件结构。
实施例五
基于同样的发明构思，本发明第四方面提供了一种计算机可读存储介质401，请参见图7，其特征在于，所述计算机可读存储介质上存储有计算机程序402，该程序被处理器执行时实现所述基于卷积神经网络的心脏骤停风险实时预测方法。
最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于卷积神经网络的心脏骤停风险实时预测方法，其特征在于，包括以下步骤：
步骤S1、收集多个心脏骤停患者在心脏骤停发生前三小时的ECG信号作为多条正样本，收集多个正常人窦性心律的ECG信号作为多条负样本；将每条正样本通过滑窗方式划分成多条预定长度的短ECG正样本信号，将每条负样本通过滑窗方式划分成多条预定长度的短ECG负样本信号，每条正样本中每条预定长度的短ECG正样本信号对应的标签为心脏骤停，每条负样本中每条预定长度的短ECG负样本信号对应的标签为正常，将多条正样本的多条预定长度的短ECG正样本信号以及多条负样本的多条预定长度的短ECG负样本信号混合为训练集,所述训练集中每个训练样本ECG信号对应每条正样本中每条预定长度的短ECG正样本信号或对应每条负样本中每条预定长度的短ECG负样本信号；
步骤S2、若训练集中每个训练样本ECG信号的采样频率不是f,则对ECG信号进行重采样，重采样频率设为f；通过使用小波阈值方法进行降噪处理、使用分段聚合近似进行降维处理、使用高斯标准化方法进行标准化处理得到每个预处理后训练样本ECG信号；
步骤S3、引入卷积神经网络，将每个预处理后训练样本ECG信号依次输入至卷积神经网络预测得到每个训练样本对应的未来3小时内为心脏骤停或正常的预测结果，进一步结合每个训练样本对应未来3小时内心脏骤停或正常的标签构建卷积神经网络损失函数模型，进一步通过ADMA算法优化训练得到优化后卷积神经网络；
步骤S4、将心电信号采集传感器与上位机连接，将心电信号采集传感器放置于人体心脏处，监测获得预定长度的ECG信号；
所述监测获得预定长度的ECG信号为：
所述上位机实时接收通过所述心电信号采集传感器采集的ECG信号，接收的ECG信号带有时间戳；使用滑窗技术将ECG信号划分成预定长度的ECG片段，当剩余ECG信号长度不足预定大小时被置入模块的缓存，等待下一次接收ECG信号时根据时间戳进行拼接；
步骤S5、输入监测获得的预定长度的ECG信号，若ECG信号的采样频率不是f,则对ECG信号进行重采样，重采样频率设为f；通过使用小波阈值方法进行降噪处理、使用分段聚合近似进行降维处理、使用高斯标准化方法进行标准化处理得到预处理后ECG信号，进一步通过优化后卷积神经网络预测，得到未来3小时内是否会心脏骤停的预测结果；
步骤S6、所述上位机结合所述心电信号采集传感器监测得到的下一段指定长度的ECG信号，重复S5，进行实时预测。
2.一种基于卷积神经网络的心脏骤停风险实时预测系统,其特征在于，包括：
训练集构建模块、预处理模块、卷积神经网络训练模块、心电信号采集模块、实时预测模块；
所述的训练集构建模块、预处理模块、卷积神经网络训练模块、实时预测模块依次连接；所述的心电信号采集模块与所述实时预测模块连接。
3.根据权利要求2所述的基于卷积神经网络的心脏骤停风险实时预测系统,其特征在于，所述训练集构建模块用于收集多个心脏骤停患者在心脏骤停发生前三小时的ECG信号作为多条正样本，收集多个正常人窦性心律的ECG信号作为多条负样本；将每条正样本通过滑窗方式划分成多条预定长度的短ECG正样本信号，将每条负样本通过滑窗方式划分成多条预定长度的短ECG负样本信号，每条正样本中每条预定长度的短ECG正样本信号对应的标签为心脏骤停，每条负样本中每条预定长度的短ECG负样本信号对应的标签为正常，将多条正样本的多条预定长度的短ECG正样本信号以及多条负样本的多条预定长度的短ECG负样本信号混合为训练集,所述训练集中每个训练样本ECG信号对应每条正样本中每条预定长度的短ECG正样本信号或对应每条负样本中每条预定长度的短ECG负样本信号，并输出至所述预处理模块。
4.根据权利要求2所述的基于卷积神经网络的心脏骤停风险实时预测系统,其特征在于，所述预处理模块用于判断若训练集中每个训练样本ECG信号的采样频率不是f,则对ECG信号进行重采样，重采样频率设为f；通过使用小波阈值方法进行降噪处理、使用分段聚合近似进行降维处理、使用高斯标准化方法进行标准化处理得到每个预处理后训练样本ECG信号，并输出至所述卷积神经网络训练模块。
5.根据权利要求2所述的基于卷积神经网络的心脏骤停风险实时预测系统,其特征在于，所述卷积神经网络训练模块用于引入卷积神经网络，将每个预处理后训练样本ECG信号依次输入至卷积神经网络预测得到每个训练样本对应的未来3小时内内心脏骤停或正常的预测结果，进一步结合每个训练样本对应未来3小时内心脏骤停或正常的标签构建卷积神经网络损失函数模型，进一步通过ADMA算法优化训练得到优化后卷积神经网络，将化后卷积神经网络传输至所述实时预测模块。
6.根据权利要求2所述的基于卷积神经网络的心脏骤停风险实时预测系统,其特征在于，所述心电信号采集模块包括心电信号采集传感器与上位机，将所述心电信号采集传感器与所述上位机连接，将所述心电信号采集传感器放置于人体心脏处，监测获得预定长度的ECG信号，并传输至所述实时预测模块；
所述获得预定长度的ECG信号为：
所述上位机实时接收通过所述心电信号采集传感器采集的ECG信号，接收的ECG信号带有时间戳；使用滑窗技术将ECG信号划分成预定长度的ECG片段，当剩余ECG信号长度不足预定大小时被置入模块的缓存，等待下一次接收ECG信号时根据时间戳进行拼接。
7.根据权利要求2所述的基于卷积神经网络的心脏骤停风险实时预测系统,其特征在于，所述实时预测模块用于输入监测获得的预定长度的ECG信号，若ECG信号的采样频率不是f,则对ECG信号进行重采样，重采样频率设为f；通过使用小波阈值方法进行降噪处理、使用分段聚合近似进行降维处理、使用高斯标准化方法进行标准化预处理得到预处理后ECG信号，进一步通过优化后卷积神经网络预测，得到未来3小时内是否会心脏骤停的预测结果。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1所述的方法。
9.一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上存储有计算机程序，该程序被处理器执行时实现权利要求1所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111559716.1A CN114159070A (zh) | 2021-12-20 | 2021-12-20 | 一种卷积神经网络的心脏骤停风险实时预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111559716.1A CN114159070A (zh) | 2021-12-20 | 2021-12-20 | 一种卷积神经网络的心脏骤停风险实时预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114159070A true CN114159070A (zh) | 2022-03-11 |
Family
ID=80487407
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111559716.1A Pending CN114159070A (zh) | 2021-12-20 | 2021-12-20 | 一种卷积神经网络的心脏骤停风险实时预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114159070A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110224565A1 (en) * | 2010-03-15 | 2011-09-15 | Singapore Health Services Pte Ltd. | Method of predicting acute cardiopulmonary events and survivability of a patient |
| CN105228508A (zh) * | 2013-03-08 | 2016-01-06 | 新加坡健康服务有限公司 | 一种测定用于分类的危险评分的系统和方法 |
| US20180242863A1 (en) * | 2016-01-08 | 2018-08-30 | Heartisans Limited | Wearable device for assessing the likelihood of the onset of cardiac arrest and a method thereo |
| WO2019008798A1 (en) * | 2017-07-07 | 2019-01-10 | Ntt Data Corporation | DEVICE FOR PREDICTING DISEASE APPEARANCE, METHOD FOR PREDICTING DISEASE DISEASE, AND PROGRAM |
| KR20190030876A (ko) * | 2017-09-15 | 2019-03-25 | 주식회사 셀바스에이아이 | 건강 위험 예측 방법 |
| DE202016008759U1 (de) * | 2016-01-08 | 2019-08-19 | Heartisans Limited | Tragbares Gerät zur Beurteilung der Wahrscheinlichkeit des Auftretens eines Herzstillstands |
| CN110236530A (zh) * | 2019-06-20 | 2019-09-17 | 武汉中旗生物医疗电子有限公司 | 一种心电信号qrs波群定位方法、装置及计算机存储介质 |
| CN112617855A (zh) * | 2020-12-31 | 2021-04-09 | 平安科技（深圳）有限公司 | 基于联邦学习的心电图分析方法、装置及相关设备 |
| CN112951432A (zh) * | 2021-03-30 | 2021-06-11 | 太原理工大学 | 基于cnn及电子病历预测心衰并发症的方法、系统及预警设备、存储介质 |
| CN113509186A (zh) * | 2021-06-30 | 2021-10-19 | 重庆理工大学 | 基于深度卷积神经网络的ecg分类系统与方法 |
| CN113558643A (zh) * | 2021-07-08 | 2021-10-29 | 吉林大学 | 基于vmd和nltwsvm的多特征癫痫信号分类方法 |
-
2021
- 2021-12-20 CN CN202111559716.1A patent/CN114159070A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110224565A1 (en) * | 2010-03-15 | 2011-09-15 | Singapore Health Services Pte Ltd. | Method of predicting acute cardiopulmonary events and survivability of a patient |
| CN105228508A (zh) * | 2013-03-08 | 2016-01-06 | 新加坡健康服务有限公司 | 一种测定用于分类的危险评分的系统和方法 |
| US20180242863A1 (en) * | 2016-01-08 | 2018-08-30 | Heartisans Limited | Wearable device for assessing the likelihood of the onset of cardiac arrest and a method thereo |
| DE202016008759U1 (de) * | 2016-01-08 | 2019-08-19 | Heartisans Limited | Tragbares Gerät zur Beurteilung der Wahrscheinlichkeit des Auftretens eines Herzstillstands |
| WO2019008798A1 (en) * | 2017-07-07 | 2019-01-10 | Ntt Data Corporation | DEVICE FOR PREDICTING DISEASE APPEARANCE, METHOD FOR PREDICTING DISEASE DISEASE, AND PROGRAM |
| KR20190030876A (ko) * | 2017-09-15 | 2019-03-25 | 주식회사 셀바스에이아이 | 건강 위험 예측 방법 |
| CN110236530A (zh) * | 2019-06-20 | 2019-09-17 | 武汉中旗生物医疗电子有限公司 | 一种心电信号qrs波群定位方法、装置及计算机存储介质 |
| CN112617855A (zh) * | 2020-12-31 | 2021-04-09 | 平安科技（深圳）有限公司 | 基于联邦学习的心电图分析方法、装置及相关设备 |
| CN112951432A (zh) * | 2021-03-30 | 2021-06-11 | 太原理工大学 | 基于cnn及电子病历预测心衰并发症的方法、系统及预警设备、存储介质 |
| CN113509186A (zh) * | 2021-06-30 | 2021-10-19 | 重庆理工大学 | 基于深度卷积神经网络的ecg分类系统与方法 |
| CN113558643A (zh) * | 2021-07-08 | 2021-10-29 | 吉林大学 | 基于vmd和nltwsvm的多特征癫痫信号分类方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘光达，王永祥，蔡靖等: "基于小波变换和Adaboost 算法的心脏骤停预测模型研究", 《生物医学工程研究》, 31 December 2017 (2017-12-31) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Deep convolutional neural network based ECG classification system using information fusion and one‐hot encoding techniques | |
| CN109171712B (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
| 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 | |
| CN111134662B (zh) | 一种基于迁移学习和置信度选择的心电异常信号识别方法及装置 | |
| EP2534597B1 (en) | Method of predicting the survivability of a patient | |
| CN110619322A (zh) | 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统 | |
| Zhao et al. | ECG classification using deep CNN improved by wavelet transform | |
| CN109948396B (zh) | 一种心拍分类方法、心拍分类装置及电子设备 | |
| Sowmya et al. | Contemplate on ECG signals and classification of arrhythmia signals using CNN-LSTM deep learning model | |
| CN112603330B (zh) | 心电信号识别分类方法 | |
| CN113343805A (zh) | 一种基于rr间期心电数据和集成学习的房颤节律识别方法 | |
| CN110751131B (zh) | 一种心律失常检测装置 | |
| CN109893118A (zh) | 一种基于深度学习的心电信号分类诊断方法 | |
| Rai et al. | ECG signal classification using wavelet transform and Back Propagation Neural Network | |
| Mortezaee et al. | An improved SSA-based technique for EMG removal from ECG | |
| Ajitkumar Singh et al. | Heart abnormality classification using PCG and ECG recordings | |
| Singh et al. | Short and noisy electrocardiogram classification based on deep learning | |
| Mohapatra et al. | Arrhythmia classification using deep neural network | |
| Qayyum et al. | ECG heartbeat classification: A comparative performance analysis between one and two dimensional convolutional neural network | |
| Kusumandari et al. | Application of convolutional neural network classifier for wireless arrhythmia detection | |
| Sathawane et al. | Inception based GAN for ECG arrhythmia classification | |
| Rai et al. | Classification of ECG waveforms for abnormalities detection using DWT and back propagation algorithm | |
| CN114159070A (zh) | 一种卷积神经网络的心脏骤停风险实时预测方法及系统 | |
| Prabu et al. | Heart Patient Health Monitoring Using Artificial Intelligence with Cloud Technology | |
| Rahman et al. | TinyML based classification of fetal heart rate using mother’s abdominal ECG signal |
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 |