CN114469120A - 一种基于相似度阈值迁移的多尺度Dtw-BiLstm-Gan心电信号生成方法 - Google Patents
一种基于相似度阈值迁移的多尺度Dtw-BiLstm-Gan心电信号生成方法 Download PDFInfo
- Publication number
- CN114469120A CN114469120A CN202210032913.6A CN202210032913A CN114469120A CN 114469120 A CN114469120 A CN 114469120A CN 202210032913 A CN202210032913 A CN 202210032913A CN 114469120 A CN114469120 A CN 114469120A
- Authority
- CN
- China
- Prior art keywords
- dtw
- bilstm
- scale
- gan
- sample
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013508 migration Methods 0.000 title claims abstract description 19
- 230000005012 migration Effects 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 123
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000012795 verification Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 20
- 230000000747 cardiac effect Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 9
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000010349 pulsation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 206010047289 Ventricular extrasystoles Diseases 0.000 claims description 3
- 230000003042 antagnostic effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 206010042602 Supraventricular extrasystoles Diseases 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 5
- 208000019622 heart disease Diseases 0.000 description 4
- 208000017667 Chronic Disease Diseases 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 206010020772 Hypertension Diseases 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013461 design Methods 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
- 230000014509 gene expression Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000006467 substitution reaction 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
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- 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
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Mathematical Physics (AREA)
- Surgery (AREA)
- Cardiology (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明一种基于相似度阈值迁移的多尺度Dtw‑BiLstm‑Gan心电信号生成方法，属于数据增强领域，包括以下步骤：获取心电信号数据；对心电信号数据进行预处理，分别将S数据集、V数据集按照比例划分为训练集数据、验证集数据和测试集数据；由生成器、判别器、相似度判别器构成得到多尺度Dtw‑BiLstm‑Gan模型；V类心拍样本数据集在多尺度Dtw‑BiLstm‑Gan模型中预训练，得到的生成器与鉴别器的权重；将生成器与鉴别器的权重迁移至S类心拍样本训练集上作为训练多尺度Dtw‑BiLstm‑Gan的初始权重，采用S类心拍样本训练集完成对多尺度Dtw‑BiLstm‑Ga模型的训练基于训练之后的S类心拍样本的多尺度Dtw‑BiLstm‑Gan模型中的生成器模型生成批次的伪S类心拍样本心电信号，此方法使得本生成网络生成信号与原始信号之平均DTW降到11.1左右。
Description
技术领域
本发明属于数据增强领域，涉及一种基于相似度阈值迁移的多尺度 Dtw-BiLstm-Gan心电信号生成方法。
背景技术
近年来，研究人员加大了人工智能对医疗领域的应用。尤其是心脏病、高血压等等慢性疾病，具有患病率高、伤害性大、发病急、易引发其他疾病等特点。并且从近几年的统计中可以看出，由于社会节奏快、压力大，心脏病、高血压等一些慢性疾病已经从老年人逐渐发展至低年龄段，这引起了人们极大的重视，尤其是心脏病检测这一领域，已经有不少的研究人员展开了相关的心脏检测算法研究。
为了可以在心脏出现异常时可以做出准确的检测。各种的心电信号分类方法不断出现，采用支持向量机、贝叶斯、线性判别分析等以传统的机器学习算法为代表的分类算法以及基于深度学习人工神经网络进行分类的算法不断出现，虽已经将分类的准确率提升至较高的水平，但由于支持向量机、贝叶斯等传统算法在对心电信号进行分类时存在的不能很好地处理非线性拟合问题、人工处理特征问题以及深度学习存在的医学数据不足、学习能力过拟合问题，致使有关心电信号的分类在F1-分数、灵敏度等分类指标只有百分之九十五左右，并且由于心脏病是关系人类生命健康的重大慢性疾病，我们应力求百分之百的准确率以满足医疗诊治的需要，如何进一步提高分类的准确率，一直以来都是医学领域以及计算机领域的研究热点。
目前：由于心电信号中存在非正常信号样本量不足的问题，使得目前对于非正常信号在F1-分数、灵敏度等分类指标上只有百分之九十五左右，以及现有方法生成的心电信号与原始数据相似度不够，且生成信号较为单一，缺乏多样性，不能很好的用于心电信号的数据增强任务。
发明内容
为了解决上述问题，本发明提供本发明采用的技术方案是：一种基于相似度阈值迁移的多尺度Dtw-BiLstm-Gan心电信号生成方法，包括以下步骤：
获取心电信号数据；
对心电信号数据进行预处理，提取出心电信号，从提取的心电信号中分类出S类心拍样本和V类心拍样本，由S类心拍样本构建S数据集，由V类心拍样本构建V数据集，并分别将S、V数据集按照比例划分为训练集数据、验证集数据和测试集数据；
由生成器、判别器、相似度判别器构成得到多尺度Dtw-BiLstm-Gan模型；
V类心拍样本训练集在多尺度Dtw-BiLstm-Gan模型中预训练，得到的生成器与鉴别器的权重；基于V类心拍样本数据集上预训练得到的生成器与鉴别器的权重，将生成器与鉴别器的权重迁移至S类心拍样本训练集上作为训练多尺度Dtw-BiLstm-Gan的初始权重，采用S类心拍样本训练集完成对多尺度 Dtw-BiLstm-Gan模型的训练，得到训练好之后的S类心拍样本的多尺度 Dtw-BiLstm-Gan模型；
基于训练之后的S类心拍样本的多尺度Dtw-BiLstm-Gan模型中的生成器模型生成批次的伪S类心拍样本心电信号，将伪S类心拍样本心电信号与原始的S 类心拍样本心电信号通过DTW算法进行相似度测试。
进一步地，对心电信号数据进行预处理，提取出心电信号，从提取的心电信号中分类出S类心拍样本和V类心拍样本，由S类心拍样本构建S数据集，由V类心拍样本构建V数据集，并分别将S、V数据集按照比例划分为训练集数据、验证集数据和测试集数据；包括以下步骤：
对心电信号构成的数据集采取N尺度小波变换对信号进行去噪处理，得到去噪后的心电信号；
从去噪后的心电信号取R峰的固定步长范围内的心电信号，作为一个心拍样本，构建一个含有M个心拍样本的数据集；
按照AAMI标准将含有M个心拍样本的数据集划分为正常搏动即N类心拍样本、室上异位波动即S类心拍样本、室性异位搏动即V类心拍样本、融合搏动即F类心拍样本共计四个类别的心拍样本数据集；
将V类心拍样本数据集按照8：1：1的比例划分为V类心拍样本训练集、V类心拍样本验证集与V类心拍样本测试集，将S类心拍样本数据集按照8：1： 1的比例划分为S类心拍样本训练集、S类心拍样本验证集与S类心拍样本测试集。
进一步地，所述生成器包括：
获取增强心电信号前后时间序列相关性的时序信息单元；
对增强前后时间序列相关性的心电信号进行提取多尺度特征及平滑去噪的双通道结构；
所述双通道结构包括通道I和通道II；将通道I和通道II进行融合，获得融合之后对心电信号特征；
对融合后的心电信号特征进行信号上采样及信号特征提取的上采样单元；
所述上采样单元包括若干上采样层和所述若干个特征提取单元；
所述若干上采样层和所述若干个特征提取单元交替级联。
进一步地，所述鉴别器包括：若干个特征提取单元、若干个最大池化层、小批量判别层和全连接层；
通过若干个特征提取单元与若干个最大池化层交替级联，构建用于信号特征的提取以及降维的第一通道，
通过小批量判别层搭建使生成的信号具备多样性的第二通道；
将所述第一通道和所述第二通道相融合，在通道融合之后衔接所述全连接层，所述第一通道和第二通道以及全连接层构成多尺度Dtw-BiLstm-Gan的鉴别器。
进一步地，所述将V类心拍样本训练集数据批次输入到多尺度 Dtw-BiLstm-Gan中并对多尺度Dtw-BiLstm-Gan进行预训练，得到的生成器与鉴别器的权重，包括以下步骤：
将V类心拍样本训练集中的心拍样本输入到多尺度Dtw-BiLstm-Gan中，通过鉴别器与生成器交替训练的形式进行对抗训练，生成器产生的伪V类心拍样本心电信号与V类心拍样本训练集中的原始V类心拍样本信号输入到鉴别器进行鉴别，鉴别器的鉴别结果对生成器进行调整；
采用交叉熵作为损失函数去衡量生成数据分布和真实数据分布之间的距离，并使用自适应运动估计算法进行反向传播以更新鉴别器以及生成器的参数对多尺度Dtw-BiLstm-Gan进行预训练；
对预训练生成的伪V类心拍样本，通过相似度判别器设定阈值，基于相似度判别器中的DTW算法得到生成的伪V类心拍样本与V类心拍样本验证集之间的平均动态时间规整距离，当平均动态时间规整距离小于相似度判别器设定的阈值并在纳什均衡之前时，停止使用V类病例训练集数据对多尺度 Dtw-BiLstm-Gan进行预训练，得到在多尺度Dtw-BiLstm-Gan在V类病例数据集上预训练得到的生成器与鉴别器的权重，并对生成器与鉴别器的权重进行保存。
进一步地，将生成器与鉴别器的权重迁移至S类心拍样本训练集上作为训练多尺度Dtw-BiLstm-Gan的初始权重，采用S类心拍样本训练集完成对多尺度 Dtw-BiLstm-Ga模型的训练，得到训练好之后的S类心拍样本的多尺度 Dtw-BiLstm-Gan模型；包括以下步骤：
将预训练之后的多尺度Dtw-BiLstm-Gan的鉴别器与生成器权重作为S类心拍样本训练集进行多尺度Dtw-BiLstm-Gan训练的初始权重，将S类训练集中的心拍样本输入到多尺度Dtw-BiLstm-Gan中，通过鉴别器与生成器交替训练的形式进行对抗训练，所述生成器产生的伪S类心拍样本心电信号与S类心拍样本训练集中的原始S类心拍样本信号输入到鉴别器进行鉴别，所述鉴别器的鉴别结果对生成器进行调整；
采用交叉熵作为损失函数去衡量生成数据分布和真实数据分布之间的距离，并使用自适应运动估计算法进行反向传播以更新鉴别器以及生成器的参数对多尺度Dtw-BiLstm-Gan进行训练，通过所述相似度判别器中计算的伪S类心拍样本与S类验证集心拍样本之间的最小动态时间规整距离，保存最小动态时间规整距离时的生成器模型，直至网络训练达到纳什均衡状态，完成S类病例训练集对Dtw-BiLstm-Gan的训练。
进一步地，所述对所述训练之后的多尺度Dtw-BiLstm-Gan模型中的生成器模型生成批次的心电信号的生成效果测试的过程如下：将多尺度 Dtw-BiLstm-Gan生成的伪S类心拍样本心电信号与S类心拍样本测试集原始S 类心拍样本中的各个心电信号通过DTW来求相似度，DTW越低说明生成信号与原始信号的相似度越高。
进一步地，所述相似度判别器采用动态时间规整算法进行相似度判别，并为所述相似度判别器设定阈值。
本发明提供的一种基于相似度阈值迁移的多尺度Dtw-BiLstm-Gan心电信号生成方法，从数据扩充入手，利用生成对抗网络(GAN)对心电信号中的少类别样本进行信号生成，以增大样本量，达到进一步提升非正常信号之间的分类准确率的目的，生成对抗网络采用的是一种博弈的思想，通过生成器网络学习原始样本的分布情况，将输入的噪声包装成一个无限逼近原始样本的伪样本来隐瞒鉴别器网络，而鉴别器网络则是一个分类器，通过鉴别输入的样本是原始样本还是伪样本得到分类的准确率，通过分类的准确率促进生成模型进一步学习原始样本的分布，二者互相博弈，使得生成的伪样本信号与原始信号的相似度不断增加，当达到新增的相似度判别器所设定V类心拍样本的阈值之后、纳什均衡之前，完成网络的预训练，将与预训练得到的生成器与鉴别器的权重迁移至S类心拍样本数据集上进行训练使最终达到纳什均衡状态或者达到所设定 S类心拍样本的阈值，完成对S类心拍样本网络模型的训练。此多尺度 Dtw-BiLstm-Gan使用两层双向长短记忆网络、一个双通道结构、若干上采样层与若干卷积层交替级联以及一层全连接层来搭建生成器；使用若干卷积层与若干上采样层交替级联以及一层全连接层的顺序结构完成卷积神经网络来搭建鉴别器，并在鉴别器中引入小批量判别层进行通道融合解决模式崩溃；使用动态时间规整算法在多尺度Dtw-BiLstm-Gan中引入相似度判别器，通过生成器与鉴别器的对抗训练来完成伪心电信号的生成，并通过相似度判别器判断模型迁移的时间点。此多尺度Dtw-BiLstm-Gan的涉及方法使得本生成网络可以使生成信号与原始信号之间平均DTW降到11.1左右。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明所述一种基于相似度阈值迁移的多尺度Dtw-BiLstm-Gan心电信号生成方法流程图；
图2是本发明所述多尺度Dtw-BiLstm-Gan的完整结构图；
图3是本发明多尺度Dtw-BiLstm-Gan中的完整的生成器结构图；
图4是本发明多尺度Dtw-BiLstm-Gan中的时序信息单元结构图；
图5是本发明多尺度Dtw-BiLstm-Gan中的双通道结构图；
图6是本发明多尺度Dtw-BiLstm-Gan中的特征提取单元结构图；
图7是本发明多尺度Dtw-BiLstm-Gan中的完整的鉴别器结构图；
图8是本发明生成信号与原始信号的对比图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合，下面将参考附图并结合实施例来详细说明本发明。
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有做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。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当清楚，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员己知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任向具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
在本发明的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制：方位词“内、外”是指相对于各部件本身的轮廓的内外。
为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其位器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。
此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本发明保护范围的限制。
图1是本发明所述一种基于相似度阈值迁移的多尺度Dtw-BiLstm-Gan心电信号生成方法流程图；
一种基于相似度阈值迁移的多尺度Dtw-BiLstm-Gan心电信号生成方法，其中Dtw-BiLstm-Gan指的是：动态时间规整算法—递归生成对抗网络，该方法包括以下步骤：
获取MIT-BIH数据库中的心电信号数据；
对心电信号数据进行预处理，提取出心电信号，从提取的心电信号中分类出S类心拍样本和V类心拍样本，S类心拍样本来源于S类病例，V类心拍样本来源于V类病例，由S类心拍样本构建S数据集，由V类心拍样本构建V数据集，并分别将S、V数据集按照比例划分为训练集数据、验证集数据和测试集数据；
由生成器、判别器、相似度判别器构成得到多尺度Dtw-BiLstm-Gan模型；图2是本发明所述多尺度Dtw-BiLstm-Gan的完整结构图；
V类心拍样本数据集在多尺度Dtw-BiLstm-Gan模型中预训练，得到的生成器与鉴别器的权重；基于V类心拍样本数据集上预训练得到的生成器与鉴别器的权重，将生成器与鉴别器的权重迁移至S类心拍样本训练集上作为训练多尺度Dtw-BiLstm-Gan的初始权重，采用S类心拍样本训练集完成对多尺度 Dtw-BiLstm-Ga模型的训练，得到训练好之后的S类心拍样本的多尺度 Dtw-BiLstm-Gan模型；
基于训练之后的S类心拍样本的多尺度Dtw-BiLstm-Gan模型中的生成器模型生成批次的伪S类心拍样本心电信号，将伪S类心拍样本心电信号与原始的S 类心拍样本心电信号通过DTW算法进行相似度测试。
进一步地，对心电信号数据进行预处理，提取出心电信号，从提取的心电信号中分类出S类心拍样本和S类心拍样本，由S类心拍样本构建S数据集，由V类心拍样本构建V数据集，并分别将S、V数据集按照比例划分为训练集数据、验证集数据和测试集数据；包括以下步骤：
对心电信号构成的数据集采取N尺度小波变换对信号进行去噪处理，得到去噪后的心电信号；取6尺度小波变换对信号进行去噪处理；
从去噪后的心电信号取R峰的固定步长范围内的心电信号，作为一个心拍样本，可以取前200时间步长到后200时间步长，构建一个含有M个心拍样本的数据集；M取值100672；
按照AAMI标准将含有100672个心拍样本的数据集划分为正常搏动即N类心拍样本、室上异位波动即S类心拍样本、室性异位搏动即V类心拍样本、融合搏动即F类心拍样本共计四个类别的心拍样本数据集；
将V类心拍样本数据集按照8：1：1的比例划分为V类心拍样本训练集、 V类心拍样本验证集与V类心拍样本测试集，将S类心拍样本数据集按照8：1： 1的比例划分为S类心拍样本训练集、S类心拍样本验证集与S类心拍样本测试集。
进一步地，所述相似度判别器采用动态时间规整算法进行相似度判别，并为所述相似度判别器设定阈值。
进一步地，所述生成器包括：图3是本发明多尺度Dtw-BiLstm-Gan中的完整的生成器结构图；
获取增强心电信号前后时间序列相关性的时序信息单元；使得当前时间点下的信号特征与前后时间点的信号特征更具联系性；图4是本发明多尺度 Dtw-BiLstm-Gan中的时序信息单元结构图，此时序信息单元由两组双向的长短时记忆网络串联组成；
对增强前后时间序列相关性的心电信号进行提取多尺度特征及平滑去噪的双通道结构；
所述双通道结构包括通道I和通道II；将通道I和通道II进行融合，达到平滑毛刺、去除噪声的目的；获得融合之后对心电信号特征；图5是本发明多尺度Dtw-BiLstm-Gan中的双通道结构图；此双通道结构是由两个特征提取单元并行组成，不同通道的特征提取单元之间卷积层中卷积核的大小互不相同；图6 是本发明多尺度Dtw-BiLstm-Gan中的特征提取单元结构图；
对融合后的心电信号特征进行信号上采样及信号特征提取的上采样单元；
所述上采样单元包括若干上采样层和所述若干个特征提取单元；
所述若干上采样层和所述若干个特征提取单元交替级联。
每个特征提取单元由两个卷积层串联而成，并且在每个卷积层之后都会使用激活函数LeakyRelu引入非线性因素；
进一步地，所述鉴别器包括：若干个特征提取单元、若干个最大池化层、小批量判别层和全连接层；图7是本发明多尺度Dtw-BiLstm-Gan中的完整的鉴别器结构图。
通过若干个特征提取单元与若干个最大池化层交替级联，用于信号特征的提取以及降维的第一通道，
通过小批量判别层搭建使生成的信号具备多样性的第二通道；小批量鉴别层使生成的信号具备多样性，解决模型崩塌；
将所述第一通道和所述第二通道相融合，在通道融合之后衔接所述全连接层，所述第一通道和第二通道以及全连接层构成多尺度Dtw-BiLstm-Gan的鉴别器。
进一步地，所述将V类心拍样本训练集数据批次输入到多尺度 Dtw-BiLstm-Gan中并对多尺度Dtw-BiLstm-Gan进行预训练，包括以下步骤：
将V类心拍样本训练集中的心拍样本输入到多尺度Dtw-BiLstm-Gan中，通过鉴别器与生成器交替训练的形式进行对抗训练，生成器产生的伪V类心拍样本心电信号与V类心拍样本训练集中的原始V类心拍样本信号输入到鉴别器进行鉴别，鉴别器的鉴别结果对生成器进行调整；
采用交叉熵作为损失函数去衡量生成数据分布和真实数据分布之间的距离，并使用自适应运动估计算法进行反向传播以更新鉴别器以及生成器的参数对多尺度Dtw-BiLstm-Gan进行预训练。
对预训练生成的伪V类心拍样本，通过相似度判别器设定阈值，基于相似度判别器中的DTW算法得到生成的伪V类心拍样本与V类心拍样本验证集之间的平均动态时间规整距离，当平均动态时间规整距离小于相似度判别器设定的阈值并在纳什均衡之前时，停止使用V类病例训练集数据对多尺度 Dtw-BiLstm-Gan进行预训练，得到在多尺度Dtw-BiLstm-Gan在V类病例数据集上预训练得到的生成器与鉴别器的权重，并对生成器与鉴别器的权重进行保存。
进一步地：将生成器与鉴别器的权重迁移至S类心拍样本训练集上作为训练多尺度Dtw-BiLstm-Gan的初始权重，采用S类心拍样本训练集完成对多尺度 Dtw-BiLstm-Ga模型的训练，得到训练好之后的S类心拍样本的多尺度 Dtw-BiLstm-Gan模型；包括以下步骤：
将预训练之后的多尺度Dtw-BiLstm-Gan的鉴别器与生成器权重作为S类心拍样本训练集进行多尺度Dtw-BiLstm-Gan训练的初始权重，将S类训练集中的心拍样本输入到多尺度Dtw-BiLstm-Gan中，通过鉴别器与生成器交替训练的形式进行对抗训练，所述生成器产生的伪S类心拍样本心电信号与S类心拍样本训练集中的原始S类心拍样本信号输入到鉴别器进行鉴别，所述鉴别器的鉴别结果对生成器进行调整；
采用交叉熵作为损失函数去衡量生成数据分布和真实数据分布之间的距离，并使用自适应运动估计算法进行反向传播以更新鉴别器以及生成器的参数对多尺度Dtw-BiLstm-Gan进行训练，通过所述相似度判别器中计算的伪S类心拍样本与S类验证集心拍样本之间的最小动态时间规整距离，保存最小动态时间规整距离时的生成器模型，直至网络训练达到纳什均衡状态，完成S类病例训练集对Dtw-BiLstm-Gan的训练。
进一步地，所述对所述训练之后的多尺度Dtw-BiLstm-Gan模型中的生成器模型生成批次的心电信号的生成效果测试的过程如下：将多尺度 Dtw-BiLstm-Gan生成的伪S类心拍样本心电信号与S类心拍样本测试集原始S 类心拍样本中的各个心电信号通过DTW来求相似度，DTW越低说明生成信号与原始信号的相似度越高。
本发明通过相似度阈值迁移的多尺度Dtw-BiLstm-Gan在使生成信号具备多样性的基础上实现了有与现有技术可比甚至更优的相似度，图8是本发明生成信号与原始信号的对比图，DTW已经降到了11.768。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，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。
Claims (8)
1.一种基于相似度阈值迁移的多尺度Dtw-BiLstm-Gan心电信号生成方法，其特征在于：包括以下步骤：
获取心电信号数据；
对心电信号数据进行预处理，提取出心电信号，从提取的心电信号中分类出S类心拍样本和V类心拍样本，由S类心拍样本构建S数据集，由V类心拍样本构建V数据集，并分别将S、V数据集按照比例划分为训练集数据、验证集数据和测试集数据；
由生成器、判别器、相似度判别器构成得到多尺度Dtw-BiLstm-Gan模型；
V类心拍样本训练集在多尺度Dtw-BiLstm-Gan模型中预训练，得到的生成器与鉴别器的权重；基于V类心拍样本数据集上预训练得到的生成器与鉴别器的权重，将生成器与鉴别器的权重迁移至S类心拍样本训练集上作为训练多尺度Dtw-BiLstm-Gan的初始权重，采用S类心拍样本训练集完成对多尺度Dtw-BiLstm-Gan模型的训练，得到训练好之后的S类心拍样本的多尺度Dtw-BiLstm-Gan模型；
基于训练之后的S类心拍样本的多尺度Dtw-BiLstm-Gan模型中的生成器模型生成批次的伪S类心拍样本心电信号，将伪S类心拍样本心电信号与原始的S类心拍样本心电信号通过DTW算法进行相似度测试。
2.根据权利要求1所述的基于相似度阈值迁移的多尺度Dtw-BiLstm-Gan心电信号生成方法，其特征在于：对心电信号数据进行预处理，提取出心电信号，从提取的心电信号中分类出S类心拍样本和V类心拍样本，由S类心拍样本构建S数据集，由V类心拍样本构建V数据集，并分别将S、V数据集按照比例划分为训练集数据、验证集数据和测试集数据；包括以下步骤：
对心电信号构成的数据集采取N尺度小波变换对信号进行去噪处理，得到去噪后的心电信号；
从去噪后的心电信号取R峰的固定步长范围内的心电信号，作为一个心拍样本，构建一个含有M个心拍样本的数据集；
按照AAMI标准将含有M个心拍样本的数据集划分为正常搏动即N类心拍样本、室上异位波动即S类心拍样本、室性异位搏动即V类心拍样本、融合搏动即F类心拍样本共计四个类别的心拍样本数据集；
将V类心拍样本数据集按照8：1：1的比例划分为V类心拍样本训练集、V类心拍样本验证集与V类心拍样本测试集，将S类心拍样本数据集按照8：1：1的比例划分为S类心拍样本训练集、S类心拍样本验证集与S类心拍样本测试集。
3.根据权利要求1所述的基于相似度阈值迁移的多尺度Dtw-BiLstm-Gan心电信号生成方法，其特征在于：所述生成器包括：
获取增强心电信号前后时间序列相关性的时序信息单元；
对增强前后时间序列相关性的心电信号进行提取多尺度特征及平滑去噪的双通道结构；
所述双通道结构包括通道I和通道II；将通道I和通道II进行融合，获得融合之后对心电信号特征；
对融合后的心电信号特征进行信号上采样及信号特征提取的上采样单元；
所述上采样单元包括若干上采样层和所述若干个特征提取单元；
所述若干上采样层和所述若干个特征提取单元交替级联。
4.根据权利要求1所述的基于相似度阈值迁移的多尺度Dtw-BiLstm-Gan心电信号生成方法，其特征在于：所述鉴别器包括：若干个特征提取单元、若干个最大池化层、小批量判别层和全连接层；
通过若干个特征提取单元与若干个最大池化层交替级联，构建用于信号特征的提取以及降维的第一通道，
通过小批量判别层搭建使生成的信号具备多样性的第二通道；
将所述第一通道和所述第二通道相融合，在通道融合之后衔接所述全连接层，所述第一通道和第二通道以及全连接层构成多尺度Dtw-BiLstm-Gan的鉴别器。
5.根据权利要求1所述的一种基于相似度阈值迁移的多尺度Dtw-BiLstm-Gan心电信号生成方法，其特征在于：所述将V类心拍样本训练集数据批次输入到多尺度Dtw-BiLstm-Gan中并对多尺度Dtw-BiLstm-Gan进行预训练，得到的生成器与鉴别器的权重，包括以下步骤：
将V类心拍样本训练集中的心拍样本输入到多尺度Dtw-BiLstm-Gan中，通过鉴别器与生成器交替训练的形式进行对抗训练，生成器产生的伪V类心拍样本心电信号与V类心拍样本训练集中的原始V类心拍样本信号输入到鉴别器进行鉴别，鉴别器的鉴别结果对生成器进行调整；
采用交叉熵作为损失函数去衡量生成数据分布和真实数据分布之间的距离，并使用自适应运动估计算法进行反向传播以更新鉴别器以及生成器的参数对多尺度Dtw-BiLstm-Gan进行预训练；
对预训练生成的伪V类心拍样本，通过相似度判别器设定阈值，基于相似度判别器中的DTW算法得到生成的伪V类心拍样本与V类心拍样本验证集之间的平均动态时间规整距离，当平均动态时间规整距离小于相似度判别器设定的阈值并在纳什均衡之前时，停止使用V类病例训练集数据对多尺度Dtw-BiLstm-Gan进行预训练，得到在多尺度Dtw-BiLstm-Gan在V类病例数据集上预训练得到的生成器与鉴别器的权重，并对生成器与鉴别器的权重进行保存。
6.根据权利要求5所述的一种基于相似度阈值迁移的多尺度Dtw-BiLstm-Gan心电信号生成方法，其特征在于：将生成器与鉴别器的权重迁移至S类心拍样本训练集上作为训练多尺度Dtw-BiLstm-Gan的初始权重，采用S类心拍样本训练集完成对多尺度Dtw-BiLstm-Ga模型的训练，得到训练好之后的S类心拍样本的多尺度Dtw-BiLstm-Gan模型；包括以下步骤：
将预训练之后的多尺度Dtw-BiLstm-Gan的鉴别器与生成器权重作为S类心拍样本训练集进行多尺度Dtw-BiLstm-Gan训练的初始权重，将S类训练集中的心拍样本输入到多尺度Dtw-BiLstm-Gan中，通过鉴别器与生成器交替训练的形式进行对抗训练，所述生成器产生的伪S类心拍样本心电信号与S类心拍样本训练集中的原始S类心拍样本信号输入到鉴别器进行鉴别，所述鉴别器的鉴别结果对生成器进行调整；
采用交叉熵作为损失函数去衡量生成数据分布和真实数据分布之间的距离，并使用自适应运动估计算法进行反向传播以更新鉴别器以及生成器的参数对多尺度Dtw-BiLstm-Gan进行训练，通过所述相似度判别器中计算的伪S类心拍样本与S类验证集心拍样本之间的最小动态时间规整距离，保存最小动态时间规整距离时的生成器模型，直至网络训练达到纳什均衡状态，完成S类病例训练集对Dtw-BiLstm-Gan的训练。
7.根据权利要求1所述的一种基于相似度阈值迁移的多尺度Dtw-BiLstm-Gan心电信号生成方法，其特征在于：所述对所述训练之后的多尺度Dtw-BiLstm-Gan模型中的生成器模型生成批次的心电信号的生成效果测试的过程如下：将多尺度Dtw-BiLstm-Gan生成的伪S类心拍样本心电信号与S类心拍样本测试集原始S类心拍样本中的各个心电信号通过DTW来求相似度，DTW越低说明生成信号与原始信号的相似度越高。
8.根据权利要求1所述的一种基于相似度阈值迁移的多尺度Dtw-BiLstm-Gan心电信号生成方法，其特征在于：所述相似度判别器采用动态时间规整算法进行相似度判别，并为所述相似度判别器设定阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210032913.6A CN114469120B (zh) | 2022-01-12 | 2022-01-12 | 一种基于相似度阈值迁移的多尺度Dtw-BiLstm-Gan心电信号生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210032913.6A CN114469120B (zh) | 2022-01-12 | 2022-01-12 | 一种基于相似度阈值迁移的多尺度Dtw-BiLstm-Gan心电信号生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114469120A true CN114469120A (zh) | 2022-05-13 |
| CN114469120B CN114469120B (zh) | 2024-06-18 |
Family
ID=81511087
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210032913.6A Active CN114469120B (zh) | 2022-01-12 | 2022-01-12 | 一种基于相似度阈值迁移的多尺度Dtw-BiLstm-Gan心电信号生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114469120B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115177267A (zh) * | 2022-09-13 | 2022-10-14 | 合肥心之声健康科技有限公司 | 一种心拍伪影识别方法、系统 |
| CN116663619A (zh) * | 2023-07-31 | 2023-08-29 | 山东科技大学 | 基于gan网络的数据增强方法、设备以及介质 |
| CN116992980A (zh) * | 2023-09-28 | 2023-11-03 | 中国人民解放军总医院 | 一种基于超网络和联邦学习的预后预测预警模型训练方法、系统及设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019237240A1 (zh) * | 2018-06-12 | 2019-12-19 | 中国科学院深圳先进技术研究院 | 一种增强型生成式对抗网络以及目标样本识别方法 |
| CN111261278A (zh) * | 2018-11-30 | 2020-06-09 | 上海图灵医疗科技有限公司 | 一种基于三维图像的深度学习模型的心脏疾病检测方法 |
| CN112733774A (zh) * | 2021-01-18 | 2021-04-30 | 大连海事大学 | 一种基于BiLSTM与串并多尺度CNN结合的轻量化ECG分类方法 |
| CN113080990A (zh) * | 2021-03-25 | 2021-07-09 | 南京蝶谷健康科技有限公司 | 一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法 |
-
2022
- 2022-01-12 CN CN202210032913.6A patent/CN114469120B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019237240A1 (zh) * | 2018-06-12 | 2019-12-19 | 中国科学院深圳先进技术研究院 | 一种增强型生成式对抗网络以及目标样本识别方法 |
| CN111261278A (zh) * | 2018-11-30 | 2020-06-09 | 上海图灵医疗科技有限公司 | 一种基于三维图像的深度学习模型的心脏疾病检测方法 |
| CN112733774A (zh) * | 2021-01-18 | 2021-04-30 | 大连海事大学 | 一种基于BiLSTM与串并多尺度CNN结合的轻量化ECG分类方法 |
| CN113080990A (zh) * | 2021-03-25 | 2021-07-09 | 南京蝶谷健康科技有限公司 | 一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王艳红: "基于生成对抗神经网络的心电数据增强算法研究", 中国优秀硕士学位论文全文数据库 医药卫生科技辑, no. 05, pages 1 - 2 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115177267A (zh) * | 2022-09-13 | 2022-10-14 | 合肥心之声健康科技有限公司 | 一种心拍伪影识别方法、系统 |
| CN116663619A (zh) * | 2023-07-31 | 2023-08-29 | 山东科技大学 | 基于gan网络的数据增强方法、设备以及介质 |
| CN116663619B (zh) * | 2023-07-31 | 2023-10-13 | 山东科技大学 | 基于gan网络的数据增强方法、设备以及介质 |
| CN116992980A (zh) * | 2023-09-28 | 2023-11-03 | 中国人民解放军总医院 | 一种基于超网络和联邦学习的预后预测预警模型训练方法、系统及设备 |
| CN116992980B (zh) * | 2023-09-28 | 2023-12-26 | 中国人民解放军总医院 | 一种基于超网络和联邦学习的预后预测预警模型训练方法、系统及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114469120B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110188836B (zh) | 一种基于变分自编码器的脑功能网络分类方法 | |
| Ahmadi et al. | QAIS‐DSNN: tumor area segmentation of MRI image with optimized quantum matched‐filter technique and deep spiking neural network | |
| CN114469120A (zh) | 一种基于相似度阈值迁移的多尺度Dtw-BiLstm-Gan心电信号生成方法 | |
| CN110443798A (zh) | 一种基于磁共振图像的自闭症检测方法、装置及系统 | |
| CN111009321A (zh) | 一种机器学习分类模型在青少年孤独症辅助诊断中的应用方法 | |
| CN105160400A (zh) | 基于l21范数的提升卷积神经网络泛化能力的方法 | |
| CN106529504B (zh) | 一种复合时空特征的双模态视频情感识别方法 | |
| CN107016233A (zh) | 运动行为和认知能力的关联分析方法及系统 | |
| CN111009324A (zh) | 脑网络多特征分析的轻度认知障碍辅助诊断系统及方法 | |
| CN113558603B (zh) | 一种基于深度学习的多模态认知障碍识别方法 | |
| Chandrasekaran et al. | Fuzzy KNN Implementation for Early Parkinson's Disease Prediction | |
| Yang et al. | PD-ResNet for classification of Parkinson’s disease from gait | |
| CN113133769A (zh) | 基于运动想象脑电信号的设备控制方法、装置及终端 | |
| CN107590473A (zh) | 一种人脸活体检测方法、介质和相关装置 | |
| Lin et al. | Denoising performance evaluation of automated age-related macular degeneration detection on optical coherence tomography images | |
| CN116843667A (zh) | 一种基于多任务学习的脑影像分类及脑认知评分预测方法 | |
| CN105894493A (zh) | 一种基于稳定性选择的fMRI数据特征的选择方法 | |
| Balakrishnan et al. | An enhanced PSO-DEFS based feature selection with biometric authentication for identification of diabetic retinopathy | |
| CN112863650A (zh) | 一种基于卷积与长短期记忆神经网络的心肌病识别系统 | |
| CN111709441A (zh) | 基于改进特征子集区分度的行为识别特征选择方法 | |
| CN108171114A (zh) | 心纹识别方法、终端以及可读储存介质 | |
| Ain et al. | Mri based glioma detection and classification into low-grade and high-grade gliomas | |
| CN110084110B (zh) | 一种近红外人脸图像识别方法、装置、电子设备及存储介质 | |
| CN113052229A (zh) | 一种基于心电数据的心脏病症分类方法及装置 | |
| CN113283465A (zh) | 一种弥散张量成像数据分析方法及装置 |
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 |