CN114190950B - 一种针对含有噪声标签的心电图智能分析方法及心电仪 - Google Patents

一种针对含有噪声标签的心电图智能分析方法及心电仪 Download PDF

Info

Publication number
CN114190950B
CN114190950B CN202111366375.6A CN202111366375A CN114190950B CN 114190950 B CN114190950 B CN 114190950B CN 202111366375 A CN202111366375 A CN 202111366375A CN 114190950 B CN114190950 B CN 114190950B
Authority
CN
China
Prior art keywords
data
training
noise
convolutional neural
neural network
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
CN202111366375.6A
Other languages
English (en)
Other versions
CN114190950A (zh
Inventor
刘昕雯
王欢
李宗瑾
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202111366375.6A priority Critical patent/CN114190950B/zh
Publication of CN114190950A publication Critical patent/CN114190950A/zh
Application granted granted Critical
Publication of CN114190950B publication Critical patent/CN114190950B/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]
    • 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
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Cardiology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提供了一种针对含有噪声标签的心电图智能分析方法及心电仪，首先搭建一个轻量级卷积神经网络作为分类任务的基础，并将含有噪声标签的心电数据集输入，并进行基础的数据学习训练，训练后保存模型。由于网络特性，卷积神经网络很容易与错误标记的训练数据过拟合，导致明显的性能下降。本发明提出一种基于数据清理与抗噪声标签损失函数构建的分类算法，能有效缓解噪声标签带来的心电诊断准确率下降问题，在10％到50％的噪声程度都可以达到明显的效果。除此之外，它的计算量较小，可以适用于各种心电仪。

Description

一种针对含有噪声标签的心电图智能分析方法及心电仪
技术领域
本发明涉及医疗器械技术领域，特别地涉及一种针对含有噪声标签的心电图智能分析方法及心电仪。
背景技术
国家心血管病中心发布的《中国心血管病报告2018》显示，我国心血管病(CVD)患病率处于持续上升趋势，推算CVD患病人数达2.9亿。近年来，心血管病死亡率仍居首位，高于其他疾病。心律失常是心血管系统的常见病，多发病，严重危害人体的健康。心电图是诊断心律失常最简便、有效、廉价且应用最广泛的传统方法。
心电信号能直观的反应出心脏的心跳节拍变化和各部位的活动情况，分析心电信号是及时发现心血管疾病的直接而有效的途径，所以对心电的研究和探索一直以来都是很重要的课题。由于常规的心电监护设备价格昂贵，一般只有医院才会有，所以大部分人的心电监测均是在医院进行简单的进行几分钟的心态图检测，而且患者一般只有在发病或者体检的时候才会检测，因此这样无法长期对患者的情况进行跟踪，以及时检测异常情况，从而达到预防的效果。开发智能心电监护算法，然后将其应用于家庭医疗和社区医疗当中，这样将提升疾病应急预防效率。
由于心电图的检测规则复杂，步骤繁琐，一般临床上依靠医生本身的临床经验和书本上的知识来进行，这样的做法主观性较强且容易受到影响，这就会造成噪声标签。噪声标签是降低心电图分类准确率的最显著的因素之一。卷积神经网络很容易与错误标记的训练数据过拟合，导致明显的性能下降。因此，为了降低噪声标签对心电诊断的负面影响，我们开发了存在噪声标签的心电图分类任务中的深度学习算法。
目前存在一些技术方案，比如引入交叉验证的方法来识别错误标记的样本。该方法利用了五个不同分类器的协同优势作为训练样本的过滤器。过滤器在10倍交叉验证的帮助下移除错误标记的训练样本并保留正确标记的训练样本，从而为最终分类器提供新的训练集以获得更高的分类精度。
发明内容
针对上述现有技术中的问题，本申请提出了一种针对含有噪声标签的心电图智能分析方法，其特征在于，包括以下步骤：
步骤S1、首先搭建一个轻量级卷积神经网络作为分类任务的基础，并将含有噪声标签的心电数据集输入，并进行基础的数据学习训练，训练后保存模型；
步骤S2、使用所述保存模型对训练集中所有数据进行标签预测，接着对训练集数据进行数据清理，利用卷积神经网络在训练过程中先拟合正确信息再对错误信息进行过拟合，来减少训练集中带有错误标签的数据，训练并保存过拟合点前训练好的模型，将与预测结果不一致的数据从数据集中删除，剩下的数据组成过滤后的训练集，用过滤后的训练集来预测训练集中数据的标签，比较后删除与预测标签不一致的数据，得到数据清理后的数据集；使用过滤后的训练集对保存的模型继续进行训练；从而减少了训练集中错误标记数据的比例，使卷积神经网络能够学习正确的样本内容；
步骤S3、继续训练卷积神经网络，利用拓扑原理，将卷积神经网络中的损失函数替换为抗噪声标签损失函数，并调整参数，抗噪声标签损失函数根据模型的当前状态动态更新预测目标，使用交叉熵目标，同时根据模型的当前状态在每个小批量中生成新的回归目标，由当前预测标签和嘈杂训练的“硬”版本凸组合产生最终目标，从而减少卷积神经网络对错误标签数据的关注来提高分类精度，用来对数据清理中没有清除掉的带有错误标签的心电数据进行进一步的处理；
步骤S4、将步骤S3得出的模型用过滤后数据集继续训练，训练结束后即可输入测试样本，卷积神经网络对样本进行评估，得到输出结果。
优选地，所述步骤S1中，首先搭建一个十一层一维卷积神经网络作为分类任务的基础，训练四个批次后保存模型。
优选地，所述步骤S3中，将卷积神经网络中的损失函数替换为抗噪声标签损失函数并将参数调至0.1，通过减少卷积神经网络对错误标签的关注，使卷积神经网络拥有判断嘈杂标签一致性的能力，从而减少带有错误标签样本对心电诊断的负面影响。
优选地，使用类概率p的最大后验估计来调整回归目标，表示为zk；抗噪声标签损失函数为：
其中tk是数据的训练目标，β是一个可以调整的参数，pk是第k次训练的类概率。
优选地，采用Adam优化器和0.00006的学习率；每个模型训练100个纪元，批量大小设置为32。
优选地，将心跳记录剪裁成长度为250s的片段，作为可输入的心电数据。
本申请还涉及一种心电仪，使用以上的针对含有噪声标签的心电图智能分析方法。
上述技术特征可以各种适合的方式组合或由等效的技术特征来替代，只要能够达到本发明的目的。
本发明提供的一种针对含有噪声标签的心电图智能分析方法及心电仪，与现有技术相比，至少具备有以下有益效果：本算法运算量较小，预测结果准确，可应用于可穿戴式心电监测设备并进行实时心电监测。
附图说明
在下文中将基于实施例并参考附图来对本发明进行更详细的描述。其中：
图1显示了本发明的心电分类算法的工作流程图；
图2显示了本发明的采用数据清理方法和未采用数据清理方法的模型训练曲线。上方曲线为采取数据清理后的，下方曲线为未采取数据清理的。纵坐标为在验证集上的准确率。
具体实施方式
下面将结合附图对本发明作进一步说明。
如图1所示，本发明提供了一种基于深度学习的针对含有噪声标签的心电图智能分析方法，可以消减噪声标签带来的负面影响，包括以下步骤：
S1、首先搭建一个简单的十一层轻量级卷积神经网络作为分类任务的基础，并将含有噪声标签的心电数据集输入，并进行基础的数据学习训练，训练四个批次后保存模型。
S2、使用第四个批次的模型对训练集中所有数据进行标签预测，接着对训练集数据进行数据清理(即预测、对比、删除不同结果的数据)，将与预测结果不一致的数据从数据集中删除，剩下的数据组成过滤后的训练集，利用卷积神经网络在训练过程中先拟合正确信息再对错误信息进行过拟合，来减少训练集中带有错误标签的数据，训练并保存过拟合点前训练好的模型，用它来预测训练集中数据的标签，比较后删除与预测标签不一致的数据，得到数据清理后的数据集。最后，使用过滤后的训练集对保存的模型继续进行训练。通过这种技术，我们通过减少训练集中错误标记数据的比例，从而使网络能够学习正确的样本内容。
S3、将卷积神经网络中的损失函数替换为抗噪声标签损失函数并将参数调至0.1，抗噪声标签损失函数根据模型的当前状态动态更新预测目标，由当前预测标签和嘈杂训练的“硬”版本凸组合产生最终目标。准确地说，仍然使用交叉熵目标，同时根据模型的当前状态在每个小批量中生成新的回归目标。继续训练卷积神经网络，利用拓扑原理，使用抗噪声标签损失函数并调整损失函数中的参数，从而减少卷积神经网络对错误标签数据的关注来提高分类精度，用来对数据清理中没有清除掉的带有错误标签的心电数据进行进一步的处理。卷积神经网络能够通过减少对错误标签的关注，设法拥有判断嘈杂标签一致性的能力，从而减少带有错误标签样本对心电诊断的负面影响。函数中的参数可以用来调整新回归目标生成。使用类概率p的最大后验(MAP)估计来调整回归目标，表示为zk。那么可以得到损失函数：
其中tk是数据的训练目标，β是一个可以调整的参数。
S4、将模型用过滤后数据集继续训练，训练结束后即可输入测试样本，网络对样本进行评估，得到输出结果。
为了证明我们方法的有效性，我们使用11层一维卷积神经网络网络在MIT-BIH心律失常数据库上进行了实验，其结构如表I所示。采用Adam优化器和0.00006的学习率。每个模型训练100个epochs，batch size设置为32。由于数据库的数据不平衡可能会导致精度不佳，我们应用过采样来缓解这个问题。我们的实验是在Nvidia GPU 2070s上进行的，使用Keras框架和Tensorflow作为后端。由于心电图记录太长，不能直接使用，我们将所有记录剪裁成一段，一段心跳的长度为250s。
假设在MIT-BIH心律失常数据库中获得的所有原始数据都是正确的，我们通过将正确的标签随机替换为任何其他类别来添加标签噪声。噪声水平是替换次数在所有样本中所占的比例。
对于每一个实验结果，我们记录了5条路径的平均分，并采用准确率作为评价标准，记为：
其中FP、FN、TP和TN分别表示假阳性、假阴性、真阴性和真阳性的数据数量。
所有实验均在MIT-BIH心律失常数据库上实施，该数据库包含48个完整注释的30分钟双导联心电图，采样率为360Hz。这些记录是从47名受试者中获得的，他们是25名年龄在32至89岁之间的男性和22名年龄在23至89岁之间的女性。ECG心跳的五类包括N(正常搏动)、S(室上性心律失常)、V(心室收缩复杂)、F(心室和正常搏动的融合)和Q(未分类的搏动)。由于Q节拍在所有记录中只占很小的一部分，我们在实验中只考虑N、S、V和F节拍分类。
表1
(1)我们设法探索了一种在心电分类任务中面临标签问题时可以提高准确性的算法，在国际通用数据集MIT-BIH Arrhythmia Database上进行测试并证明了其有效性。这种方法可应用于高达50％的噪声比例并将诊断准确率进行明显提升。表1为带有噪音标签的训练结果，其中最佳指本网络得到的最佳结果，最终指本网络经过对于错误数据的过拟合后达到的结果。随着噪声比例增加，对于心电数据的准确率产生了越来越明显的负面影响。最佳与最终的数据差异同时也可以证明网络的对于错误数据过拟合的特性。通过表1，我们可以看到在噪声标签在高于10％的情况下就可以对新点分类的准确率造成较大影响。其中最佳与最终的数据差异同时也可以证明我们在数据清理中利用的网络的对于错误数据过拟合的特性。为了证明这一点，我们用40％噪声比例的数据画了图2以作为实例。表2为当噪声水平为10％至50％时，使用本方法后的结果与传统方法MAE损失函数进行对比。可以体现出传统方法并不适用于心电诊断领域，而我们的方法在10％至50％都具有明显的提升效果(与表1对比可以看出)。对于10％和20％的噪声水平，最佳模型的准确率可以恢复到98％左右，接近训练集中没有标签噪声时的准确率。对于高于20％的噪音水平，最佳模型一般可以达到6％以上，最终模型可以达到10％以上。即使噪声水平为50％，最佳精度也能提高7.88％。我们的方法对所有噪声水平都有效。通过表2可以看出，传统的抗噪声标签方法(MAE)并不适用于心电诊断，而我们的结果在10％到20％的情况下可以将准确率提升到与无噪声的情况下一样的结果，而对于30％到50％的噪声标签比例，我们的方法均可以提升大于7％的准确率。
表2
(2)在开发此算法的过程中，我们使用数据清理方法和抗噪声标签损失函数通过减少训练集中错误标记数据的比例并减少网络对错误标签数据的关注来提高分类精度。在这个过程中，通过实验探索和验证了数据清理方法的适当时期和引导硬损失函数的。
表3
表4
通过分别在前十个模型中应用数据清理，我们进一步讨论了数据清理可以达到最佳结果的时期。由于如果将所有5个噪声级别的探索过程都列出来会过于复杂，这里我们仅以40％为例。表3为当噪声水平为40％时，在前10个训练轮次使用数据清理的结果。表4为噪声等级为40％时抗噪声标签损失函数的结果。表4分别代表了最佳模型和最后一个模型获得的精度。通过比较表1和表3的结果，可以看出数据清理带来的改进。当噪声比例为40％时，会增加5％的准确率。最佳与最终的结果之间的差距可以表明数据清理成功地减少了模型对错误标记数据的过度拟合。模型的训练曲线也可以证明这一点(图2)。对于所有噪声级别，我们采用第4个时期作为数据清洁时期。准确率的提高和过拟合问题是由于在数据清理过程中降低了数据集中不正确标记数据的比例引起的。
本实验在实现数据清理的基础上，将抗噪声标签损失函数应用到网络中。调整抗噪声标签损失函数的参数β以找到最有效的一个。由于β的范围是0到1，我们对0.1、0.2、0.4和0.8进行了实验。与上一部分类似，这里我们也以噪声比例40％为例，相关数据见表4。通过我们的方法成功达到了80％的准确率，这与噪声比例为30％时的准确率相同.此外，我们发现当β设置为0.1时，模型在实验中对所有噪声水平都表现良好。抗噪声标签损失函数通过减少网络对错误标记数据的关注来进一步提高模型的性能，使模型能够对训练集进行连贯的学习。我们同时也证明了抗噪声标签损失函数对心电诊断的有效性。
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。

Claims (5)

1.一种针对含有噪声标签的心电图智能分析方法，其特征在于，包括以下步骤：
步骤S1、首先搭建一个轻量级卷积神经网络作为分类任务的基础，并将含有噪声标签的心电数据集输入，并进行基础的数据学习训练，训练后保存模型；
步骤S2、使用所述保存模型对训练集中所有数据进行标签预测，接着对训练集数据进行数据清理，利用卷积神经网络在训练过程中先拟合正确信息再对错误信息进行过拟合，来减少训练集中带有错误标签的数据，训练并保存过拟合点前训练好的模型，将与预测结果不一致的数据从数据集中删除，剩下的数据组成过滤后的训练集，用过滤后的训练集来预测训练集中数据的标签，比较后删除与预测标签不一致的数据，得到数据清理后的数据集；使用过滤后的训练集对保存的模型继续进行训练；从而减少了训练集中错误标记数据的比例，使卷积神经网络能够学习正确的样本内容；
步骤S3、继续训练卷积神经网络，利用拓扑原理，将卷积神经网络中的损失函数替换为抗噪声标签损失函数，并调整参数，抗噪声标签损失函数根据模型的当前状态动态更新预测目标，使用交叉熵目标，同时根据模型的当前状态在每个小批量中生成新的回归目标，由当前预测标签和嘈杂训练的“硬”版本凸组合产生最终目标，从而减少卷积神经网络对错误标签数据的关注来提高分类精度，用来对数据清理中没有清除掉的带有错误标签的心电数据进行进一步的处理；
步骤S4、将步骤S3得出的模型用过滤后数据集继续训练，训练结束后即可输入测试样本，卷积神经网络对样本进行评估，得到输出结果；
所述步骤S3中，将卷积神经网络中的损失函数替换为抗噪声标签损失函数并将参数调至0.1，通过减少卷积神经网络对错误标签的关注，使卷积神经网络拥有判断嘈杂标签一致性的能力，从而减少带有错误标签样本对心电诊断的负面影响；
使用类概率p的最大后验估计来调整回归目标，表示为zk；抗噪声标签损失函数为：
其中tk是数据的训练目标，β是一个可以调整的参数，pk是第k次训练的类概率。
2.根据权利要求1所述的针对含有噪声标签的心电图智能分析方法，其特征在于，所述步骤S1中，首先搭建一个十一层一维卷积神经网络作为分类任务的基础，训练四个批次后保存模型。
3.根据权利要求2所述的针对含有噪声标签的心电图智能分析方法，其特征在于，采用Adam优化器和0.00006的学习率；每个模型训练100个纪元，批量大小设置为32。
4.根据权利要求1所述的针对含有噪声标签的心电图智能分析方法，其特征在于，将心跳记录剪裁成长度为250s的片段，作为可输入的心电数据。
5.一种心电仪，其特征在于，使用权利要求1所述的针对含有噪声标签的心电图智能分析方法。
CN202111366375.6A 2021-11-18 2021-11-18 一种针对含有噪声标签的心电图智能分析方法及心电仪 Active CN114190950B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111366375.6A CN114190950B (zh) 2021-11-18 2021-11-18 一种针对含有噪声标签的心电图智能分析方法及心电仪

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111366375.6A CN114190950B (zh) 2021-11-18 2021-11-18 一种针对含有噪声标签的心电图智能分析方法及心电仪

Publications (2)

Publication Number Publication Date
CN114190950A CN114190950A (zh) 2022-03-18
CN114190950B true CN114190950B (zh) 2023-07-28

Family

ID=80648008

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111366375.6A Active CN114190950B (zh) 2021-11-18 2021-11-18 一种针对含有噪声标签的心电图智能分析方法及心电仪

Country Status (1)

Country Link
CN (1) CN114190950B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115331065B (zh) * 2022-10-13 2023-03-24 南京航空航天大学 基于解码器迭代筛选的鲁棒噪声多标签图像学习方法
CN115661549A (zh) * 2022-11-21 2023-01-31 南京码极客科技有限公司 一种基于预测置信度的细粒度分类去噪训练方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107736894A (zh) * 2017-09-24 2018-02-27 天津大学 一种基于深度学习的心电信号情绪识别方法
CN110916645A (zh) * 2019-12-10 2020-03-27 电子科技大学 一种结合小波变换和图像分割网络的qrs波识别方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10004414B2 (en) * 2016-02-09 2018-06-26 Apn Health, Llc Detecting stimulus pulses
GB2582124A (en) * 2018-09-07 2020-09-16 Transf Ai Ltd Analysis of cardiac data
CN110141243A (zh) * 2019-06-20 2019-08-20 鲁东大学 一种心电图身份识别处理方法
CN111297380A (zh) * 2020-02-12 2020-06-19 电子科技大学 一种基于时空卷积核心块的情绪识别方法
CN112101328A (zh) * 2020-11-19 2020-12-18 四川新网银行股份有限公司 一种深度学习中识别并处理标签噪声的方法
CN112989971B (zh) * 2021-03-01 2024-03-22 武汉中旗生物医疗电子有限公司 一种不同数据源的心电数据融合方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107736894A (zh) * 2017-09-24 2018-02-27 天津大学 一种基于深度学习的心电信号情绪识别方法
CN110916645A (zh) * 2019-12-10 2020-03-27 电子科技大学 一种结合小波变换和图像分割网络的qrs波识别方法

Also Published As

Publication number Publication date
CN114190950A (zh) 2022-03-18

Similar Documents

Publication Publication Date Title
Luo et al. Patient‐Specific Deep Architectural Model for ECG Classification
Vijayakumar et al. Fusion based feature extraction analysis of ECG signal interpretation–a systematic approach
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
Houssein et al. A hybrid heartbeats classification approach based on marine predators algorithm and convolution neural networks
Zhang et al. Localization of myocardial infarction with multi-lead bidirectional gated recurrent unit neural network
CN114190950B (zh) 一种针对含有噪声标签的心电图智能分析方法及心电仪
Sai A review on arrhythmia classification using ECG signals
Wu et al. Personalizing a generic ECG heartbeat classification for arrhythmia detection: a deep learning approach
Dhyani et al. Arrhythmia disease classification utilizing ResRNN
Cai et al. Real‐Time Arrhythmia Classification Algorithm Using Time‐Domain ECG Feature Based on FFNN and CNN
Dang et al. A novel deep convolutional neural network for arrhythmia classification
Elhaj et al. Hybrid classification of Bayesian and extreme learning machine for heartbeat classification of arrhythmia detection
Xie et al. Research on heartbeat classification algorithm based on CART decision tree
Daydulo et al. Cardiac arrhythmia detection using deep learning approach and time frequency representation of ECG signals
Ge et al. ECG-MAKE: An ECG signal delineation approach based on medical attribute knowledge extraction
Al-Masri Detecting ECG heartbeat abnormalities using artificial neural networks
Bhukya et al. Detection and classification of cardiac arrhythmia using artificial intelligence
Jothiramalingam et al. Review of Computational Techniques for the Analysis of Abnormal Patterns of ECG Signal Provoked by Cardiac Disease.
Liu et al. Adaptive atrial fibrillation detection focused on atrial activity analysis
Benchaib et al. Cardiac arrhythmias classification using artificial metaplasticity algorithm
Fuster-Barceló et al. Unleashing the Power of Electrocardiograms: A novel approach for Patient Identification in Healthcare Systems with ECG Signals
Patil et al. Prediction and analysis of heart disease using SVM algorithm
Zhou et al. Time-domain ECG signal analysis based on smart-phone
Tyagi et al. A review of automated diagnosis of ECG arrhythmia using deep learning methods
Makhir et al. Comprehensive Cardiac Ischemia Classification Using Hybrid CNN-Based Models.

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