CN114190952A - 一种基于导联分组的12导联心电信号多标签分类方法 - Google Patents
一种基于导联分组的12导联心电信号多标签分类方法 Download PDFInfo
- Publication number
- CN114190952A CN114190952A CN202111454656.7A CN202111454656A CN114190952A CN 114190952 A CN114190952 A CN 114190952A CN 202111454656 A CN202111454656 A CN 202111454656A CN 114190952 A CN114190952 A CN 114190952A
- Authority
- CN
- China
- Prior art keywords
- layer
- lead
- convolution
- branch
- inputting
- 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.)
- Granted
Links
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]
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Signal Processing (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于导联分组的12导联心电信号多标签分类方法,通过对12导联心电信号分组,挖掘不同心电类型信息在不同导联特征上的特征,构建导联间多样化特征。利用空间注意力机制提取不同特征的权重。最后通过融合多样化特征实现12导联信息的融合,并结合年龄、性别等特征,得到可识别27类心电类型的网络模型。
Description
技术领域
本发明涉及心电信号分类技术领域,具体涉及一种基于导联分组的12导联心电信号多标签分类方法。
背景技术
具有高效便捷的心电图是心电信号分类的有效手段。但由于心电信号受采集环境、波形自身的复杂性、多变性以及个体间存在的显著差异等影响,常规心电图检测容易发生漏诊。尽管利用12导联心电信号进行心电异常分类已得到广泛应用,但同一段信号中可能存在多种心电异常类型,即心电信号分类是典型的多标签分类问题。因此如何利用异常心电在12个不同导联上的“非正常”表现,高效准确的实现对数据不平衡的12导联心电数据集的多标签分类是心电信号处理中的一个巨大挑战。
发明内容
本发明为了克服以上技术的不足,提供了一种识别27类心电类型的基于导联分组的12导联心电信号多标签分类方法。
本发明克服其技术问题所采用的技术方案是:
一种基于导联分组的12导联心电信号多标签分类方法,包括如下步骤:
a)将计算机采集的12导联心电信号y的长度进行标准化处理,得到标准化后的12导联心电信号y′;
c)遍历NG组心电信号,将第i组心电信号依次输入到由残差网络块、双向长短时记忆网络模块及空间注意力模块构成的基础网络块模型提取多导联信号的多样化特征;
d)将NG组心电信号进行特征融合,形成基于12导联信号的完整性和多样化特征将12导联信号中所包含的年龄和性别信息通过一个全连接层进行特征编码,得到特征Finfo,将特征与特征Finfo进行特征拼接,形成最终用于分类的心电特征F;
e)通过公式P=sigmoid(W*F+b)计算得到属于每个心电类别的概率值P,式中sigmoid(·)为sigmoid函数,W为心电特征F的权重矩阵,b为偏置向量;
f)设置概率阈值thr,将概率值P中大于等于概率阈值thr的类别判定为该段心电信号中存在的异常类型,得到最终的27类心电信号分类结果。
进一步的,步骤a)中12导联心电信号y的长度进行标准化处理的方法为:
a-2)如果12导联心电信号y的长度大于等于L,则截取12导联心电信号y的前L个采样点;
进一步的,步骤a-2)中L取值为9000个采样点。
进一步的,步骤c)包括如下步骤:
c-1)所述残差网络模块包括2层残差结构,每层残差结构包括两个分支、ReLu激活层、最大池化层及Dropout层,第一个分支依次由两个卷积模块构成,所述卷积模块依次由卷积层、批归一化层及ReLu激活层构成,第二个分支依次由卷积层和批归一化层构成,将第i组心电信号y′gi分别输入到第1层残差结构的第一个分支的第一个卷积模块及第二个分支中,第一个分支的第一个卷积模块的输出结果输入第一个分支的第二个卷积模块中,第一个分支的第二个卷积模块的输出结果与第二个分支的输出结果像叠加后形成新的特征,将新的特征输入ReLu激活层,ReLu激活层的输出结果输入最大池化层,将最大池化层的输出结果输入到Dropout层;
c-2)将Dropout层的输出结果替代步骤c-1)中的y′gi,分别输入到第2层残差结构的第一个分支的第一个卷积模块及第二个分支中,第一个分支的第一个卷积模块的输出结果输入第一个分支的第二个卷积模块中,第一个分支的第二个卷积模块的输出结果与第二个分支的输出结果像叠加后形成新的特征,将新的特征输入ReLu激活层,ReLu激活层的输出结果输入最大池化层,将最大池化层的输出结果输入到Dropout层后得到降采样后的特征
c-4)空间注意力模块由全局最大池化层、全局平均池化层构成,时序特征分别输入全局最大池化层和全局平均池化层中,将全局最大池化层和全局平均池化层的输出结果按照空间维度进行特征拼接,将拼接后的结果输入卷积层后得到时序特征的空间注意力权重Wi,将空间注意力权重Wi输入Sigmoid层中使用Sigmoid激活函数将其压缩到0-1之间,将压缩后的空间注意力权重Wi与时序特征相乘得到导联间的重要的多样化特征进一步的,步骤c-1)中第一层残差结构中的卷积层的卷积滤波器的数量256,第二层残差结构中的卷积层的卷积滤波器的数量为128,残差结构中的第一个分支中的卷积层的卷积核核大小设置为15,残差结构中的第二个分支中的卷积层的卷积核核大小设置为7,最大池化层的步长设置为3。
进一步的,步骤c-3)中前向LSTM的单元数为256,后向LSTM的单元数64。
进一步的,步骤c-4)中卷积层的卷积核为7,卷积核的滤波器的数量为1。
进一步的,步骤f)中概率阈值thr=0.4。
以3万条12导联心电信号构成的数据集对步骤c)中的基础网络块模型进行训练,模型优化器设置为Adam,学习率设置为0.001,批大小设置为32,采用FocalLoss作为基础网络块模型的损失函数。
本发明的有益效果是:通过对12导联心电信号分组,挖掘不同心电类型信息在不同导联特征上的特征,构建导联间多样化特征。利用空间注意力机制提取不同特征的权重。最后通过融合多样化特征实现12导联信息的融合,并结合年龄、性别等特征,得到可识别27类心电类型的网络模型。
附图说明
图1为本发明的方法流程图
图2为本发明的BaselineNet网络结构示意图。
具体实施方式
下面结合附图1、附图2对本发明做进一步说明。
一种基于导联分组的12导联心电信号多标签分类方法,包括如下步骤:
a)将计算机采集的12导联心电信号y的长度进行标准化处理,得到标准化后的12导联心电信号y′;
c)遍历NG组心电信号,将第i组心电信号依次输入到由残差网络块、双向长短时记忆网络模块及空间注意力模块构成的基础网络块模型(BaselineNet)提取多导联信号的多样化特征;
d)将NG组心电信号进行特征融合,形成基于12导联信号的完整性和多样化特征将12导联信号中所包含的年龄和性别信息通过一个全连接层进行特征编码,得到特征Finfo,将特征与特征Finfo进行特征拼接,形成最终用于分类的心电特征F;
e)通过公式P=sigmoid(W*F+b)计算得到属于每个心电类别的概率值P,式中sigmoid(·)为sigmoid函数,W为心电特征F的权重矩阵,b为偏置向量;
f)设置概率阈值thr,将概率值P中大于等于概率阈值thr的类别判定为该段心电信号中存在的异常类型,得到最终的27类心电信号分类结果。
通过对12导联心电信号分组,挖掘不同心电类型信息在不同导联特征上的特征,构建导联间多样化特征。利用空间注意力机制提取不同特征的权重。最后通过融合多样化特征实现12导联信息的融合,并结合年龄、性别等特征,得到可识别27类心电类型的网络模型。
实施例1:
步骤a)中12导联心电信号y的长度进行标准化处理的方法为:
a-2)如果12导联心电信号y的长度大于等于L,则截取12导联心电信号y的前L个采样点。
实施例2:
优选的,步骤a-2)中L取值为9000个采样点。
实施例3:
步骤b)中NG=4,每组信号包括3个导联,12导联心电信号表示为y′=[y′g1,y′g2,y′g3,y′g4],其中,y′g1为第一组心电信号,y′g2为第二组心电信号,y′g3为第三组心电信号,y′g4为第四组心电信号。
实施例4:
步骤c)包括如下步骤:
c-1)所述残差网络模块包括2层残差结构,每层残差结构包括两个分支、ReLu激活层、最大池化层及Dropout层,第一个分支依次由两个卷积模块构成,所述卷积模块依次由卷积层、批归一化层(BatchNorm)及ReLu激活层构成,第二个分支依次由卷积层和批归一化层构成,将第i组心电信号y′gi分别输入到第1层残差结构的第一个分支的第一个卷积模块及第二个分支中,第一个分支的第一个卷积模块的输出结果输入第一个分支的第二个卷积模块中,第一个分支的第二个卷积模块的输出结果与第二个分支的输出结果像叠加后形成新的特征,将新的特征输入ReLu激活层,ReLu激活层的输出结果输入最大池化层,将最大池化层的输出结果输入到Dropout层。
c-2)将Dropout层的输出结果替代步骤c-1)中的y′gi,分别输入到第2层残差结构的第一个分支的第一个卷积模块及第二个分支中,第一个分支的第一个卷积模块的输出结果输入第一个分支的第二个卷积模块中,第一个分支的第二个卷积模块的输出结果与第二个分支的输出结果像叠加后形成新的特征,将新的特征输入ReLu激活层,ReLu激活层的输出结果输入最大池化层,将最大池化层的输出结果输入到Dropout层后得到降采样后的特征
c-4)空间注意力模块由全局最大池化层、全局平均池化层构成,时序特征分别输入全局最大池化层和全局平均池化层中,将全局最大池化层和全局平均池化层的输出结果按照空间维度进行特征拼接,将拼接后的结果输入卷积层后得到时序特征的空间注意力权重Wi,将空间注意力权重Wi输入Sigmoid层中使用Sigmoid激活函数将其压缩到0-1之间,将压缩后的空间注意力权重Wi与时序特征相乘得到导联间的重要的多样化特征步骤c-1)中第一层残差结构中的卷积层的卷积滤波器的数量256,第二层残差结构中的卷积层的卷积滤波器的数量为128,残差结构中的第一个分支中的卷积层的卷积核核大小设置为15,残差结构中的第二个分支中的卷积层的卷积核核大小设置为7,最大池化层的步长设置为3。
步骤c-3)中前向LSTM的单元数为256,后向LSTM的单元数64。
步骤c-4)中卷积层的卷积核为7,卷积核的滤波器的数量为1。
步骤f)中概率阈值thr=0.4。
以3万条12导联心电信号构成的数据集对步骤c)中的基础网络块模型进行训练,模型优化器设置为Adam,学习率设置为0.001,批大小设置为32,为了提高类别不平衡数据采集的精度,采用FocalLoss作为基础网络块模型的损失函数。最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。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 (10)
1.一种基于导联分组的12导联心电信号多标签分类方法,其特征在于,包括如下步骤:
a)将计算机采集的12导联心电信号y的长度进行标准化处理,得到标准化后的12导联心电信号y′;
c)遍历NG组心电信号,将第i组心电信号依次输入到由残差网络块、双向长短时记忆网络模块及空间注意力模块构成的基础网络块模型提取多导联信号的多样化特征;
d)将NG组心电信号进行特征融合,形成基于12导联信号的完整性和多样化特征将12导联信号中所包含的年龄和性别信息通过一个全连接层进行特征编码,得到特征Finfo,将特征与特征Finfo进行特征拼接,形成最终用于分类的心电特征F;
e)通过公式P=sigmoid(W*F+b)计算得到属于每个心电类别的概率值P,式中sigmoid(·)为sigmoid函数,W为心电特征F的权重矩阵,b为偏置向量;
f)设置概率阈值thr,将概率值P中大于等于概率阈值thr的类别判定为该段心电信号中存在的异常类型,得到最终的27类心电信号分类结果。
3.根据权利要求2所述的基于导联分组的12导联心电信号多标签分类方法,其特征在于:步骤a-2)中L取值为9000个采样点。
4.根据权利要求1所述的基于导联分组的12导联心电信号多标签分类方法,其特征在于:步骤b)中NG=4,每组信号包括3个导联,12导联心电信号表示为y′=[y′g1,y′g2,y′g3,y′g4],其中,y′g1为第一组心电信号,y′g2为第二组心电信号,y′g3为第三组心电信号,y′g4为第四组心电信号。
5.根据权利要求4所述的基于导联分组的12导联心电信号多标签分类方法,其特征在于,步骤c)包括如下步骤:
c-1)所述残差网络模块包括2层残差结构,每层残差结构包括两个分支、ReLu激活层、最大池化层及Dropout层,第一个分支依次由两个卷积模块构成,所述卷积模块依次由卷积层、批归一化层及ReLu激活层构成,第二个分支依次由卷积层和批归一化层构成,将第i组心电信号y′gi分别输入到第1层残差结构的第一个分支的第一个卷积模块及第二个分支中,第一个分支的第一个卷积模块的输出结果输入第一个分支的第二个卷积模块中,第一个分支的第二个卷积模块的输出结果与第二个分支的输出结果像叠加后形成新的特征,将新的特征输入ReLu激活层,ReLu激活层的输出结果输入最大池化层,将最大池化层的输出结果输入到Dropout层;
c-2)将Dropout层的输出结果替代步骤c-1)中的y′gi,分别输入到第2层残差结构的第一个分支的第一个卷积模块及第二个分支中,第一个分支的第一个卷积模块的输出结果输入第一个分支的第二个卷积模块中,第一个分支的第二个卷积模块的输出结果与第二个分支的输出结果像叠加后形成新的特征,将新的特征输入ReLu激活层,ReLu激活层的输出结果输入最大池化层,将最大池化层的输出结果输入到Dropout层后得到降采样后的特征
6.根据权利要求1所述的基于导联分组的12导联心电信号多标签分类方法,其特征在于:步骤c-1)中第一层残差结构中的卷积层的卷积滤波器的数量256,第二层残差结构中的卷积层的卷积滤波器的数量为128,残差结构中的第一个分支中的卷积层的卷积核核大小设置为15,残差结构中的第二个分支中的卷积层的卷积核核大小设置为7,最大池化层的步长设置为3。
7.根据权利要求1所述的基于导联分组的12导联心电信号多标签分类方法,其特征在于:步骤c-3)中前向LSTM的单元数为256,后向LSTM的单元数64。
8.根据权利要求1所述的基于导联分组的12导联心电信号多标签分类方法,其特征在于:步骤c-4)中卷积层的卷积核为7,卷积核的滤波器的数量为1。
9.根据权利要求1所述的基于导联分组的12导联心电信号多标签分类方法,其特征在于:步骤f)中概率阈值thr=0.4。
10.根据权利要求1所述的基于导联分组的12导联心电信号多标签分类方法,其特征在于:以3万条12导联心电信号构成的数据集对步骤c)中的基础网络块模型进行训练,模型优化器设置为Adam,学习率设置为0.001,批大小设置为32,采用FocalLoss作为基础网络块模型的损失函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111454656.7A CN114190952B (zh) | 2021-12-01 | 2021-12-01 | 一种基于导联分组的12导联心电信号多标签分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111454656.7A CN114190952B (zh) | 2021-12-01 | 2021-12-01 | 一种基于导联分组的12导联心电信号多标签分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114190952A true CN114190952A (zh) | 2022-03-18 |
CN114190952B CN114190952B (zh) | 2022-11-18 |
Family
ID=80649972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111454656.7A Active CN114190952B (zh) | 2021-12-01 | 2021-12-01 | 一种基于导联分组的12导联心电信号多标签分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114190952B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114764575A (zh) * | 2022-04-11 | 2022-07-19 | 山东省人工智能研究院 | 基于深度学习和时序注意力机制的多模态数据分类方法 |
CN116226763A (zh) * | 2023-03-03 | 2023-06-06 | 山东省人工智能研究院 | 基于改进型注意力机制的多标签心电信号分类方法 |
CN117257322A (zh) * | 2023-09-21 | 2023-12-22 | 齐鲁工业大学(山东省科学院) | 一种基于双分支网络的多标签心电信号分类方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112603330A (zh) * | 2020-12-28 | 2021-04-06 | 中国科学院微电子研究所 | 心电信号识别分类方法 |
US20210232914A1 (en) * | 2020-01-17 | 2021-07-29 | Ever Fortune.Ai Co., Ltd. | Method for building a heart rhythm classification model |
CN113229825A (zh) * | 2021-06-22 | 2021-08-10 | 郑州大学 | 一种基于深度神经网络的多标签多导联心电图分类方法 |
CN113440149A (zh) * | 2021-07-12 | 2021-09-28 | 齐鲁工业大学 | 一种基于十二导联心电数据二维化的多输入残差神经网络的ecg信号分类方法 |
-
2021
- 2021-12-01 CN CN202111454656.7A patent/CN114190952B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210232914A1 (en) * | 2020-01-17 | 2021-07-29 | Ever Fortune.Ai Co., Ltd. | Method for building a heart rhythm classification model |
CN112603330A (zh) * | 2020-12-28 | 2021-04-06 | 中国科学院微电子研究所 | 心电信号识别分类方法 |
CN113229825A (zh) * | 2021-06-22 | 2021-08-10 | 郑州大学 | 一种基于深度神经网络的多标签多导联心电图分类方法 |
CN113440149A (zh) * | 2021-07-12 | 2021-09-28 | 齐鲁工业大学 | 一种基于十二导联心电数据二维化的多输入残差神经网络的ecg信号分类方法 |
Non-Patent Citations (1)
Title |
---|
顾佳艳 等: "基于多头注意力机制的房颤检测方法", 《计算机系统应用》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114764575A (zh) * | 2022-04-11 | 2022-07-19 | 山东省人工智能研究院 | 基于深度学习和时序注意力机制的多模态数据分类方法 |
CN114764575B (zh) * | 2022-04-11 | 2023-02-28 | 山东省人工智能研究院 | 基于深度学习和时序注意力机制的多模态数据分类方法 |
CN116226763A (zh) * | 2023-03-03 | 2023-06-06 | 山东省人工智能研究院 | 基于改进型注意力机制的多标签心电信号分类方法 |
CN116226763B (zh) * | 2023-03-03 | 2023-10-03 | 山东省人工智能研究院 | 基于改进型注意力机制的多标签心电信号分类方法 |
CN117257322A (zh) * | 2023-09-21 | 2023-12-22 | 齐鲁工业大学(山东省科学院) | 一种基于双分支网络的多标签心电信号分类方法 |
CN117257322B (zh) * | 2023-09-21 | 2024-04-19 | 齐鲁工业大学(山东省科学院) | 一种基于双分支网络的多标签心电信号分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114190952B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114190952B (zh) | 一种基于导联分组的12导联心电信号多标签分类方法 | |
CN112651978B (zh) | 舌下微循环图像分割方法和装置、电子设备、存储介质 | |
CN108875575B (zh) | 基于多通道信号融合深度神经网络自动心律失常分析方法 | |
KR101876397B1 (ko) | 작물의 병해충 진단 장치 및 방법 | |
CN111612051B (zh) | 一种基于图卷积神经网络的弱监督目标检测方法 | |
CN104970789A (zh) | 心电图分类方法及系统 | |
CN112307982B (zh) | 基于交错增强注意力网络的人体行为识别方法 | |
CN111582401B (zh) | 一种基于双分支卷积神经网络的向日葵种子分选方法 | |
CN112199536A (zh) | 一种基于跨模态的快速多标签图像分类方法和系统 | |
CN112733774A (zh) | 一种基于BiLSTM与串并多尺度CNN结合的轻量化ECG分类方法 | |
CN113221694B (zh) | 一种动作识别方法 | |
CN107491729B (zh) | 基于余弦相似度激活的卷积神经网络的手写数字识别方法 | |
CN111956208B (zh) | 一种基于超轻量级卷积神经网络的ecg信号分类方法 | |
CN109858972B (zh) | 广告点击率的预测方法和装置 | |
CN110503149B (zh) | 一种图像中局部特征分类方法及系统 | |
WO2021139351A1 (zh) | 图像分割方法、装置、介质及电子设备 | |
CN113628201A (zh) | 基于深度学习的病理切片分析方法、电子设备及可读存储介质 | |
CN111458746A (zh) | 一种基于U-Net神经网络的隧道微震波形到时拾取方法 | |
CN113887517A (zh) | 基于并行注意力机制的农作物遥感图像语义分割方法 | |
CN116012653A (zh) | 一种注意力残差单元神经网络高光谱图像分类方法及系统 | |
CN116703947A (zh) | 一种基于注意力机制和知识蒸馏的图像语义分割方法 | |
CN112348839A (zh) | 一种基于深度学习的图像分割方法及系统 | |
CN115035381A (zh) | 一种SN-YOLOv5的轻量化目标检测网络及农作物采摘检测方法 | |
CN113850182B (zh) | 基于DAMR_3DNet的动作识别方法 | |
CN117338310B (zh) | 一种基于对比学习和多尺度特征提取的心电信号分类方法 |
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 |