CN114652322A - 一种基于多域特征学习的心电信号分类方法和系统 - Google Patents
一种基于多域特征学习的心电信号分类方法和系统 Download PDFInfo
- Publication number
- CN114652322A CN114652322A CN202210297296.2A CN202210297296A CN114652322A CN 114652322 A CN114652322 A CN 114652322A CN 202210297296 A CN202210297296 A CN 202210297296A CN 114652322 A CN114652322 A CN 114652322A
- Authority
- CN
- China
- Prior art keywords
- electrocardiosignals
- classification
- network
- feature
- feature extraction
- 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
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
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
-
- 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
- A61B5/24—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
- A61B5/353—Detecting P-waves
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (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多域特征学习的心电信号分类方法和系统,所述分类方法包括:对原始心电信号进行预处理,即提取心电信号的RR间隔序列及P波区数据,并将P波区数据进行时频转换得到P波区时频图;对心电信号进行多域特征提取,得到心电信号的心律特征表示、心房活动特征表示及全局时空特征表示;再融合心律特征表示、心房活动特征表示以及全局时空特征表示得到心电信号的融合特征,并将融合特征输入分类层得到心电信号的分类结果。本发明实现了多域特征的采集及融合,将局部特征与全局特征相结合,获得更为完整的患者表示,进而提高了模型分类结果的精度。尤其是将所述方法应用于房颤分类时,其分类结果对临床辅助医生决策具有重要意义。
Description
技术领域
本发明属于心电信号分类和深度学习技术领域,具体涉及一种基于多域特征学习的心电信号分类方法和系统。
背景技术
随着我国社会经济的发展,国民生活方式发生了深刻的变化,过快的生活节奏以及繁重的工作压力导致居民健康问题日益凸显且趋于年轻化。根据《中国居民营养与慢性病状况报告(2020年)》的统计结果显示,心血管疾病已成为当前影响居民健康的最大威胁。心律失常是心血管疾病中最常见的一组疾病,虽然大多数心律失常并不直接危及生命,但是却可能引发其他严重的心脏疾病,是造成心脏性猝死的最主要原因之一。例如,心房颤动(Atrial Fibrillation,AF)是一种以快速性心律失常为特征的心血管疾病。全世界约一半的心血管死亡和15%的全球死亡是由快速性心律失常引起的。房颤发作时心房失去正常有效的伸缩功能,心跳加快、心率增高且心律不齐,极易诱发血栓、脑中风、心力衰竭等疾病,严重时会危及生命。近些年的研究发现,发生缺血性脑卒中的老年人病患中有将近20%归因于房颤所致。许多病人因为房颤导致的神经性功能损害而留下语言功能障碍、思维能力退化、肢体运动功能障碍等问题,严重降低了他们的生活质量。
房颤病程的早期通常具有阵发性且无明显症状的特点,容易被患者所忽视,从而无法在最佳的治疗时间进行有效的医学介入。心电图(Electrocardiogram,ECG)是医疗诊断中一种常用的无创式检查心血管疾病工具,它是记录心脏活动发生电位变化的曲线示意图,主要用于反映人体心脏活动、辅助诊断心血管疾病和视察人工心脏起搏状况等。传统诊断主要由有经验的医生通过视觉观察心电图的特征来完成,该方法存在一定局限性。一些微小的幅度及持续时间变化无法清晰使用肉眼分辨,且受医生的主观性影响较大。同时,房颤有阵发性发作的特征,在非发作时间进行的普通心电图检测,表现为普通窦性心律。临床技术人员需要在长期连续的心电监控中目测诊断心血管健康状况,工作量非常大。因此需要一种自动检测算法来帮助临床人员客观性的检测心电活动。给予医生在诊断房颤等相近疾病时适当的辅助,降低房颤的误诊率。
尽管近些年众多学者在房颤相关的心电信号分类研究中开发出许多基于深度学习的检测算法,但是在检测性能上仍然无法满足临床应用的需求。由于原始心电信号中包含大量的多域信息,如何结合临床知识引导模型进行针对性的特征学习,从原始心电数据中全面地提取出这些隐含的特征并进行有效的表示,进而提高分类的准确性和可解释性仍是一个亟待解决的研究问题。
发明内容
本发明针对现有技术的不足,提出了一种基于多域特征学习的心电信号分类方法及系统。该心电信号分类方法部署了一个特征学习通道学习心电片段的全局时空特征,部署了两个特征增强通道,专注于捕捉心电信号的心律特征和心房活动特征,实现了多域特征的提取。进而,通过将局部特征与全局特征相结合,来获得更为完整的患者心电特征表示,从而提高模型分类的有效性。本发明得到的分类结果能够为医务人员在后续治疗与诊断过程提供技术参考,尤其是将其应用于基于心电信号的房颤分类,能够得到较高的准确率,为医生进行房颤诊断提供了强有力的支撑。
一方面,本发明提供一种基于多域特征学习的心电信号分类方法,其包括以下步骤:
步骤1:对心电信号进行预处理,所述预处理至少包括:提取心电信号的RR间隔序列及P波区数据,并将所述P波区数据进行时频转换得到P波区时频图;
步骤2:基于多通道特征提取网络层对心电信号进行多域特征提取,所述多通道特征提取网络层包括心律特征通道的时序特征提取网络、心房特征通道的非时序特征提取网络以及全局特征提取网络;
包括将所述RR间隔序列输入所述时序特征提取网络得到心电信号的心律特征表示、将所述P波区时频图输入所述非时序特征提取网络得到心房活动特征表示;以及将所述心电信号输入所述全局特征提取网络得到全局时空特征表示;
步骤3:利用特征融合层对心电信号多域特征进行融合得到融合特征,并将心电信号的融合特征输入分类层得到心电信号的分类结果;
其中,多通道特征提取网络层、特征融合层以及分类层构成分类网络;利用心电信号样本及其分类标签,按照步骤1-步骤3的方式处理心电信号样本并基于深度学习完成所述分类网络训练;再利用训练后的所述分类网络及待分类心电信号,并按照步骤1-步骤3的方式处理得到所述待分类心电信号对应的分类结果。
一方面,本发明基于大量的实验以及临床经验证明RR序列的时域特征对房颤分类具有重要意义;另一方面,区别于以往对信号进行无重点的频率解构,本发明根据临床诊断知识确认房颤疾病诊断的关键区域,通过医学知识定位P波位置,同时根据易混淆特征着重对P波区域进行频率特征提取。因此,本发明所述的方法利用所述RR间隔序列、所述P波区时频图分别得到心电信号的心律特征表示、心房活动特征表示,且所述分类方法对应的技术方案尤其适用于房颤分类,其能引导模型关注房颤患者在心电图上的关键临床特征。此外,本发明所述的技术方案考虑到完整的心电信号还拥有周期性特征、形态学特征等信息,为捕捉这部分特征,本发明所述的技术方案设置全局通道,对其他部分的时间及形态特征予以补充,实现了局部特征与全局特征的最优结合。
进一步可选地,提取心电信号的RR间隔序列及P波区数据,并将所述P波区数据进行时频转换得到P波区时频图的过程如下:
按照定义的窗口大小对心电信号进行切割,保留窗口大小的心电信号;
对心电信号进行R波探测并记录R波位置序列,再将所述R波位置序列的相邻序列元素相减得到RR间隔序列;
将心电信号中R波位置序列对应点前Z秒的区间信号保留,其余信号全部置零得到P波区数据,所述P波区数据视为心房活动数据;再对所述心房活动数据进行时频转换得到P波区时频图。
进一步可选地,按照定义的窗口大小对心电信号进行切割时,选择动态滑窗切割心电信号;
其中,切割步幅b设置为:
式中,B为最大切割步幅长度,C为类别标签,θ为预设系数。
进一步可选地,所述心房活动特征表示是将所述P波区时频图输入2D-CNN网络得到的,将所述2D-CNN网络作为心房特征通道的非时序特征提取网络;
其中,所述2D-CNN网络的网络层由依次连接的第一个二维卷积层、第一个最大池化层、第二个二维卷积层、第二个最大池化层、Flatten层、Dropout层及两层全连接层组成。
为了提取P波区时频图中的非时序特征,本发明的所述技术方案构建了2D-CNN网络。是考虑到2D-CNN网络在图像特征的获取中表现突出,因此,本发明选用2D-CNN来提取P波区时频图中隐含的心房活动特征。并经过实验证明了2D-CNN在本发明应用中具备良好性能和效果。
进一步可选地,所述全局时空特征表示是将心电信号输入由若干个TCN(Temporalconvolutional network,时间卷积网络)块构成的学习网络中得到,每个TCN块具有相同结构,TCN块构成的所述学习网络作为所述全局特征提取网络;
其中,前一个TCN块的输出为下一个TCN块的输入,最后一个TCN块的输出为所述心电信号的全局时空特征表示;任一个TCN块的输出表示为:
式中,xi为输入若干个TCN块构成的学习网络的初始心电信号,所述初始心电信号为原始心电信号或者原始经心电信号经过归一化和/或不平衡预处理后的心电信号,i为心电信号的条数编号,表示输入第I+1个TCN块的心电数据,为输入第I个TCN块后并经过膨胀卷积、权值归一化、线性整流函数RELU及防止过拟合的Dropout层变换后的心电数据,I为TCN块的块数编号;Dilated CNN表示膨胀卷积网络层,Activation为激活函数,Wi表示第I层的权重矩阵。
心电信号区别于其他信号,其同时含有时序与非时序特征,而全局信息通道能同时捕获这两种特征,因此本发明所述技术方案选用上述网络来提取全局时空特征。
进一步可选地,心电信号的所述心律特征表示是将所述心电信号的RR间隔序列补零至预设长度后,再输入LSTM网络或Transformer网络得到的,所述LSTM网络或Transformer网络作为所述心律特征通道的时序特征提取网络。
针对RR间隔序列,心律特征通道主要含有时序特征,因此选择在时序特征提取性能较好的网络用于特征提取。
进一步可选地,所述融合特征表示为:
式中,Hi表示心电信号xi的融合特征,i为心电信号的条数编号,Vi为值向量、Qi为查询向量、dk为缩放比例因子、Ki为关键向量,T为转置符号;查询向量Qi,关键向量Ki和值向量Vi的表示如下:
Qi=WQri'
Ki=WKpi'
Vi=WVxi'
其中,是参数矩阵,m为特征ri′、pi′、xi′的维度,本发明中参数矩阵是训练出来的,ri′为心电信号xi对应的心律特征表示,pi′为心电信号xi对应的心房活动特征表示,xi′为心电信号xi对应的全局时空特征表示。
第二方面,本发明提供一种基于所述心电信号分类方法的系统,其包括:
预处理模块,用于对心电信号进行预处理,所述预处理至少包括:提取心电信号的RR间隔序列及P波区数据,并将所述P波区数据进行时频转换得到P波区时频图;
多域特征提取模块,用于基于多通道特征提取网络对心电信号进行多域特征提取,所述多通道特征提取网络层包括心律特征通道的时序特征提取网络、心房特征通道的非时序特征提取网络以及全局特征提取网络;多域特征提取模块用于将所述RR间隔序列输入所述时序特征提取网络得到心电信号的心律特征表示、将所述P波区时频图输入所述非时序特征提取网络得到心房活动特征表示;以及将所述心电信号输入所述全局特征提取网络得到全局时空特征表示;
心律特征表示融合模块,用于利用特征融合层对心电信号多域特征进行融合得到融合特征;分类模块,用于将心电信号的所述融合特征输入分类层得到心电信号的分类结果;
训练模块,用于利用心电信号样本及其分类标签,并依据所述预处理模块、所述多域特征提取模块、所述融合模块以及所述分类模块的数据处理,以及基于深度学习完成分类网络训练,所述分类网络由多通道特征提取网络层、特征融合层以及分类层构成。
第三方面,本发明提供一种电子终端,其至少包括:一个或多个处理器;以及一个或多个存储器;
其中,所述处理器调用所述存储器存储的计算机程序以执行:
一种基于多域特征学习的心电信号分类方法的步骤。
第四方面,本发明提供一种可读存储介质,其存储了计算机程序,所述计算机程序被处理器调用以实现:
一种基于多域特征学习的心电信号分类方法的步骤。
有益效果
本发明提出了一种基于多域特征学习的心电信号分类方法,该方法实质上是构建了一个由多通道特征提取网络层、特征融合层以及分类层构成的分类网络,用以识别心电信号。当将其应用于房颤分类时,可以利用该网络识别房颤发作时的心电信号,为后续医生的诊断提供技术支持。该分类网络部署了一个通道学习心电片段的全局时空特征,另外两个特征增强通道,专注于捕捉心电信号的心律特征和心房活动特征。最后采用多通道融合机制获得多域特征融合表示,并完成信号分类检测。本发明有效地将临床诊断知识与深度学习模型进行融合,实现了多域特征的全面提取,并通过局部特征与全局特征的有效结合,获得更为完整的患者表示,提高了模型分类结果的有效性以及精度。本发明得到的分类结果能够为医务人员的诊疗决策提供技术参考,尤其是将其应用于基于心电信号的房颤分类,能够得到较高的准确率,为房颤的诊断决策提供有益的辅助。
附图说明
图1为本发明提出的多通道的特征增强网络的网络结构图;
图2为本发明提出的2D-CNN网络的网络结构示意图;
图3为本发明的一种基于多域特征学习的心电信号分类方法的流程示意图。
具体实施方式
本发明提供一种基于多域特征学习的心电信号分类方法及系统,是将临床医学知识与深度学习进行融合,实现心电信号自动分类。尤其是可以将所述分类方法应用于房颤分类,即识别房颤发作与未发作时的心电信号。其他可行的实施例中,根据分类需求以及分类精度,可以将本发明的技术思路应用于其他功能的心电信号分类。下面将结合实施例对本发明做进一步的说明。
实施例1:
本实施例通过构建一个由多通道特征提取网络层、特征融合层以及分类层构成的分类网络,用于识别房颤发作时的心电信号。本实施例的所述分类方法挖掘心电数据中与临床诊断知识相应的特征,并通过对一维心电数据不同域的转换挖掘心电数据不同角度的特征,实现医疗知识指导下的自动学习,最终融合多种特征,构建了可以准确识别房颤病人的分类层。本发明的分类结果对临床辅助医生决策具有重要意义和应用价值。本发明的所述分类方法的具体实现过程包括以下步骤:
S1:对心电信号进行预处理。本实施例中,预处理包括:归一化、不平衡处理、R波检测、局部频谱图转换的步骤。其他可行的实施例中,根据需求自适应增加、减少处理步骤。本实施例将未经过预处理的心电信号定义为原始心电信号,其他可行的实施例中,若未设置归一化、不平衡处理的步骤,则统称为心电信号。
1)将原始心电信号进行归一化处理,本实施例具体使用Z分数法进行数据标准化处理:
2)对归一化处理后的数据进行动态滑窗切割以进行数据不平衡处理。定义窗口大小W与最大步幅长度B。本发明设定的步幅大小与该标签类占总标签类比例相关,给定的最大步幅为B,则标签为C的类别的切割步幅b设置为:
式中,B为最大切割步幅长度,C为类别标签。θ为预设系数,一般情况下设为1,当数据类别比例极度不平衡导致b太小使得切割后数据过于相似时,则取大于1的值。系数θ的设定使得各类数据均衡,进一步保证分类层的分类精度以及稳定性。
其中,若一条记录长度小于窗口大小W则剔除该条记录。滑窗切割后的数据的分类标签与该条心电数据的原分类标签相同。针对训练阶段的心电信号样本,切割后心电信号集合可表示为D={(xi,yi)|i=1,2,...,N},xi的长度相同,i表示心电信号的条件编号,N为心电信号的总数,yi∈{1,2,...,C},C表示心电信号类别数量。
3)对每条心电数据xi使用WFDB(波形数据库)软件包中的R波探测算法进行R波探测,并记录R波位置序列riw,riw的相邻序列元素相减得到RR间隔序列rri。即将R波位置序列riw的相邻右序列元素减去相邻左序列元素得到RR间隔序列rri。
4)对每条心电数据xi及其对应的R波位置序列riw结合,将R波位置序列riw对应点前0.4秒的区域信号保留,其余信号全部置零构成P波区数据,P波区数据视为心房活动数据Xi。其后使用基于短时傅里叶变换方法对Xi进行时频转换,得到P波区时频图Psi。应当理解,本实施例中设定0.4,其他可行的实施例,根据精度要求可以对其进行适应性调整。
S2:基于多通道特征提取网络层对心电信号进行多域特征提取。多通道特征提取网络层包括心律特征通道的时序特征提取网络、心房特征通道的非时序特征提取网络以及全局特征提取网络。本发明采用的多通道特征提取网络层是一个并行的三通道模块网络,用于来学习不同域的数据的相关特征。该模块由心律特征通道、心房活动通道、全局特征通道组成。各个通道的实现过程如下:
1)心律特征通道
对于相同长度的心电信号xi会产生不同长度的rri。通过向后补零将所有的rri长度补充到最大长度rriwMAX。对于时序序列rri,本实施例的时序特征提取网络采用了一个LSTM网络模块来学习心律的时序特征。具体将时序序列rri输入两层的LSTM网络。最后得到心电信号xi的心律特征表示ri'。
ri'=LSTM(LSTM(rri))
应当理解,本实施例并未对LSTM的网络结构进行优化,其为现有网络且为可替代网络。如在自然语言处理领域较为流行的Transformer网络,两者在本通道的时序特征提取上拥有相近的表现。但经过实验结果证明,RNN拥有较少的训练参数使得在模型训练与迭代速度上优于其他。
2)心房特征通道
P波区时频图Psi主要表示了心房活动区域的频率信息。对于非时序特征,本实施例的非时序特征提取网络是构建了一个2D-CNN网络进行学习。将输入模块得到的P波区时频图Psi输入该模块网络层,网络层由依次连接的第一二维卷积层、第一最大池化层、第二二维卷积层、第二最大池化层、Flatten层、Dropout层及两层全连接层组成。最终得到心电信号xi的心房活动特征表示pi'。
其中,如图2所示,本实施例的2D-CNN网络是根据转化后的时频图的特征设计的,转化后的频谱图横纵坐标分别表示时间和频率。其中,时频图含有信息的部分为每个心跳的心房活动区域。所以卷积神经网络的卷积核,横向大小设计为与平均心跳时间窗口相近,纵向大小保持为与图像横纵相同的比例。第一层卷积神经网络获取单个心跳内特征,第二层卷积网络获取心跳间特征。经过实验对比证明,该网络能达到最优效果。通过全连接层使得本通道最终特征维度与其他通道相同。
3)全局特征通道
对于完整的心电信号xi,本实施例中全局特征提取网络是共使用9个TCN块构成的学习网络,每一个TCN块具有相同结构。对单个TCN块输入与经过膨胀卷积、权值归一化、线性整流函数RELU及防止过拟合的Dropout层等变换后的进行残差相加,得到该TCN块的输出同时也是下一TCN块的输入最终第9个TCN块的输出表示为xi'为心电信号xi的全局特征表示。具体数学表示可如下:
式中,xi为输入若干个TCN块构成的学习网络的初始心电信号,本实施例中xi为原始经心电信号经过归一化、不平衡预处理后的一条心电信号;若是其他可行的实施例中,预处理步骤进行了适应性调整,则初始心电信号xi也进行适应性调整。表示输入第I+1个TCN块的心电数据,为输入第I个TCN块后并经过膨胀卷积、权值归一化、线性整流函数RELU及防止过拟合的Dropout层变换后的心电数据,I为TCN块的块数编号;Dilated CNN表示膨胀卷积网络层,Activation为激活函数,Wi表示第I层的权重矩阵。
同时,随着TCN块数I的增加,膨胀卷积的膨胀系数d按指数增长。
d=2I
S3:融合多域表征。即利用特征融合层融合所述心律特征表示、所述心房活动特征表示以及所述全局时空特征表示得到心电信号的融合特征。本实施例中采用键值注意力机制将三个特征学习通道提取的特征及其关系进行融合。其他实施例中,也可以选择其他融合机制来实现特征融合,本发明对此不进行具体的限定。
针对心律特征表示ri′,心房活动特征表示pi′,以及全局特征表示xi′,利用参数矩阵分别得到查询向量Qi,关键向量Ki和值向量Vi。每一段心电信号xi都会生成这三个向量。
Qi=WQri'
Ki=WKpi'
Vi=WVxi'
2)利用softmax函数将每通道模块的特征之间的联系和影响映射到权重系数,Hi作为最终的融合特征表示。
S4:信号分类。
将多域特征融合表征模块得到的心电信号的最终表示Hi,输入分类层中得到预测结果:
yi=soft max(WyHi+by)
应当理解,步骤S1-S4记载的技术手段为心电信号的数据处理过程,将上述分类模型应用到心电信号分类之前,需要利用心电信号样本及其分类标签进行模型学习以及训练。即利用原始心电信号样本及其分类标签,按照步骤S1-S4的方式处理原始心电信号,并基于深度学习完成分类网络训练。应当理解,分类网络的训练过程是基于样本的训练误差自适应调节网络参数,此实现过程可以采用现有的网络训练手段来实现,本发明对此不进行具体的限定。
针对待分类的心电信号,利用训练后的分类网络以及待分类的心电信号,按照步骤S1-S4的方式得到分类结果。
综上,本发明的技术方案利用心房活动通道和心律特征通道捕捉P波区的局部时频特征和心律的时域特征。一方面,根据大量的实验及临床经验证明RR序列的时域特征对房颤分类具有重要意义,本发明的所述技术方案加入这一特征可以进一步完善局部特征提取。另一方面,区别于以往对信号进行无重点的频率解构,本发明的所述技术方案根据临床诊断知识确认房颤类疾病诊断关键区域,通过医学知识定位P波位置,同时根据易混淆特征对P波区域进行重点的频率特征提取。从而本发明所述方法可以引导模型关注患者在心电图上的关键临床特征。再者,本实施例考虑到完整的心电信号还拥有周期性特征、形态学特征等信息。为捕捉这部分特征,本发明的所述技术方案设置全局通道,对其他部分的时间及形态特征予以补充。并通过注意力机制训练不同通道的权重,进而得到局部与全局的最优结合,加强了房颤特征表征,引导深度学习网络关注重点区域。经过多个数据库实验证明,本发明的所述技术方案根据领域知识针对性设计,使得网络能获得更精确的房颤分类结果,同时提高了结果的可信度。
实施例2
本实施例提供一种基于所述心电信号分类方法的系统,其包括:预处理模块、多域特征提取模块、融合模块、分类模块以及训练模块。
其中,预处理模块,用于对心电信号进行预处理,所述预处理至少包括:提取心电信号的RR间隔序列及P波区数据,并将所述P波区数据进行时频转换得到P波区时频图。
多域特征提取模块,用于基于多通道特征提取网络层对心电信号进行多域特征提取。所述多通道特征提取网络层包括心律特征通道的时序特征提取网络、心房特征通道的非时序特征提取网络以及全局特征提取网络。多域特征提取模块用于将所述RR间隔序列输入所述时序特征提取网络得到心电信号的心律特征表示、将所述P波区时频图输入所述非时序特征提取网络得到心房活动特征表示;以及将所述心电信号输入所述全局特征提取网络得到全局时空特征表示。
融合模块,用于利用特征融合层对心电信号多域特征进行融合得到融合特征。
分类模块,用于将心电信号的所述融合特征输入分类层得到心电信号的分类结果。
训练模块,用于利用心电信号样本及其分类标签,并依据所述预处理模块、所述多域特征提取模块、所述融合模块以及所述分类模块的数据处理,以及基于深度学习完成分类网络训练,所述分类网络由多通道特征提取网络层、特征融合层以及分类层构成。
对照于实施例1,预处理模块包括归一化单元、不平衡处理单元、RR间隔序列提取单元、P波区时频图生成单元。
归一化单元用于将原始心电信号进行归一化处理。
不平衡处理单元用于对归一化处理后的数据进行动态滑窗切割以进行数据不平衡处理。
RR间隔序列提取单元用于对每条心电数据xi使用WFDB(波形数据库)软件包中的R波探测算法进行R波探测,并记录R波位置序列riw,再将R波位置序列riw的相邻序列元素相减得到RR间隔序列rri。
P波区时频图生成单元用于将每条心电数据xi中riw对应点前0.4秒的区域信号保留,其余信号全部置零形成P波区数据,P波区数据视为心房活动数据Xi;再使用基于短时傅里叶变换方法对Xi进行时频转换,得到P波区时频图Psi。
多域特征提取模块包括心律特征表示提取单元、心房活动特征表示提取单元以及全局时空特征表示提取单元。
其中,心律特征表示提取单元用于将所述RR间隔序列输入时序特征提取网络得到心电信号的心律特征表示。
心房活动特征表示提取单元用于将所述P波区时频图输入非时序特征提取网络得到心房活动特征表示。
全局时空特征表示提取单元用于将所述心电信号输入全局特征提取网络得到全局时空特征表示。
应当理解,上述单元模块的具体实现过程参照方法内容,本发明在此不进行具体的赘述,且上述功能模块单元的划分仅仅是一种逻辑功能的划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。同时,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
实施例3:
本实施例提供一种电子终端,其包括一个或多个处理器;以及一个或多个存储器;所述处理器调用所述存储器存储的计算机程序以执行:一种基于多域特征学习的心电信号分类方法的步骤。
对照实施例1,具体执行:
步骤1:心电信号进行预处理。本实施例中,预处理包括:归一化、不平衡处理、R波检测、局部频谱图转换的步骤。
步骤2:基于多通道特征提取网络层对心电信号进行多域特征提取。其中,所述多通道特征提取网络层包括心律特征通道的时序特征提取网络、心房特征通道的非时序特征提取网络以及全局特征提取网络;
包括将所述RR间隔序列输入所述时序特征提取网络得到心电信号的心律特征表示、将所述P波区时频图输入所述非时序特征提取网络得到心房活动特征表示;以及将所述心电信号输入所述全局特征提取网络得到全局时空特征表示。
步骤3:用特征融合层对心电信号多域特征进行融合得到融合特征,并将心电信号的所述融合特征输入分类层得到心电信号的分类结果。即融合所述心律特征表示、所述心房活动特征表示以及所述全局时空特征表示得到心电信号的融合特征。
其中,多通道特征提取网络层、特征融合层以及分类层构成分类网络;利用心电信号样本及其分类标签,按照步骤1-步骤3的方式处理心电信号样本并基于深度学习完成所述分类网络训练;再利用训练后的所述分类网络及待分类心电信号,并按照步骤1-步骤3的方式处理得到所述待分类心电信号对应的分类结果。
该终端还包括:通信接口,用于与外界设备进行通信,进行数据交互传输。譬如与外部心电设备进行通信,得以获取心电数据。
其中,存储器可能包含高速RAM存储器,也可能还包括非易失性除颤器,例如至少一个磁盘存储器。
如果存储器、处理器和通信接口独立实现,则存储器、处理器和通信接口可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构总线,外部设备互联总线或扩展工业标准体系结构总线等。所述总线可以分为地址总线、数据总线、控制总线等。
可选的,在具体实现上,如果存储器、处理器和通信接口集成在一块芯片上,则存储器、处理器即通信接口可以通过内部接口完成相互之间的通信。
各个步骤的具体实现过程请参照前述方法的阐述。
应当理解,在本发明实施例中,所称处理器可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如,存储器还可以存储设备类型的信息。
实施例4:
本实施例提供一种可读存储介质,其存储了计算机程序,所述计算机程序被处理器调用以实现:一种基于多域特征学习的心电信号分类方法的步骤。
对照实施例1,具体执行:
步骤1:对心电信号进行预处理。本实施例中,预处理包括:归一化、不平衡处理、R波检测、局部频谱图转换的步骤。
步骤2:基于多通道特征提取网络层对心电信号进行多域特征提取。其中,所述多通道特征提取网络层包括心律特征通道的时序特征提取网络、心房特征通道的非时序特征提取网络以及全局特征提取网络;
包括将所述RR间隔序列输入所述时序特征提取网络得到心电信号的心律特征表示、将所述P波区时频图输入所述非时序特征提取网络得到心房活动特征表示;以及将所述心电信号输入所述全局特征提取网络得到全局时空特征表示。
步骤3:用特征融合层对心电信号多域特征进行融合得到融合特征,并将心电信号的所述融合特征输入分类层得到心电信号的分类结果。即融合所述心律特征表示、所述心房活动特征表示以及所述全局时空特征表示得到心电信号的融合特征,并将心电信号的所述融合特征输入分类层得到心电信号的分类结果;
其中,多通道特征提取网络层、特征融合层以及分类层构成分类网络;利用心电信号样本及其分类标签,按照步骤1-步骤3的方式处理心电信号样本并基于深度学习完成所述分类网络训练;再利用训练后的所述分类网络及待分类心电信号,并按照步骤1-步骤3的方式处理得到所述待分类心电信号对应的分类结果。
各个步骤的具体实现过程请参照前述方法的阐述。
所述可读存储介质为计算机可读存储介质,其可以是前述任一实施例所述的控制器的内部存储单元,例如控制器的硬盘或内存。所述可读存储介质也可以是所述控制器的外部存储设备,例如所述控制器上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述可读存储介质还可以既包括所述控制器的内部存储单元也包括外部存储设备。所述可读存储介质用于存储所述计算机程序以及所述控制器所需的其他程序和数据。所述可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的可读存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
实验验证
1.评价指标
本发明的目标旨在构建一种基于多域特征学习的心电信号分类方法,尤其是将其应用于房颤分类时,即构建一个实用高效的房颤自动检测方法(KOME),用以提升房颤患者的分类性能。对于所有模型,均使用准确度(Accuracy,ACC)、召回率(Recall)、特异性(Specificity,SPE)、F1分数(F1-Score,精确率和召回率的调和平均数)和AUC(Area UnderCurve,ROC曲线下与坐标轴围成的面积)评价最终的预测性能。对于所有实验,采用多次实验结果的平均值,以减少误差带来的影响。
2.与其他方法的比较
为了评价本发明所提出的预测方法的性能,将其与以下几种方法进行了比较,并在表1中展示了所有的实验结果。
HAN-ECG:该方法使用分层注意机制将心电图(Electrocardiogram,ECG)信号分为三个级别:波形、心跳,并采用三个注意机制级别对导致心房颤动(Atrial Fibrillation,AF)的ECG模式进行多分辨率分析。
TAC-LSTM:与DCNN类似,该方法使用小波变换将ECG转换为频谱图,输入到CNN和LSTM网络中进行时频特征提取。同时,原始心电信号作为另一个输入到另一个具有相同结构的并行网络。两个并行网络同时提取时间序列和时频序列信息。
DCNN:该方法利用平稳小波变换和短时傅里叶变换将5秒ECG数据转换为频谱图,转换后的频谱图通过深度卷积神经网络捕捉时频特征。
ANN:该方法利用小波包变换的相关函数和随机过程理论设计了一种特征提取策略。从对应的直方图中提取基于小波系数序列之间的相关性的多元统计特征,并输入人工神经网络分类器。
表1的数据如下所示:
表1
从表1的结果可知。本发明方法相较其他模型获得了最佳的性能,准确率为99.33%,灵敏度为99.36%,特异性为99.407%。以上结果表明,本发明方法利用相关医学知识指导模型在多个通道上进行定向特征学习,可以更有效地捕获关键的疾病特异性信息,提高分类能力。
3.各通道模块的有效性验证
为了验证研究融合多个特征通道模块的有效性,首先以提出的KOME及其变体在二进制分类任务(AF/NAF)上的性能差异。从表2可以看出,KOMETCN是本发明模型的变体,仅使用全局特征学习通道并去除其他两个通道。相应地,KOMEP和KOMERRI是KOME的简化版本,分别只使用心房活动增强通道和心律特征通道。KOMETCN和KOMETCN+R分别是在KOMETCN中加入心房活动增强通道和心律特征通道得到的。KOMECNN+P+RRI是通过将本发明模型的全局特征通道中使用的TCN替换为5层1D-CNN来获得的。从表2可以清楚地看出,仅使用单个特征通道的三个模型的性能相对较低。融合多个特征通道后,模型的性能有了相当的提升。证明了各个通道模块均为有效模块。表2的数据如下所示:
表2
Model | ACC | Sen=recall | SPE/SPF | F1 |
KOME<sub>TCN</sub> | 0.9000 | 0.8593 | 0.9409 | 0.8999 |
KOME<sub>P</sub> | 0.8796 | 0.8505 | 0.9096 | 0.8796 |
KOME<sub>RRI</sub> | 0.8920 | 0.8750 | 0.9099 | 0.8920 |
KOME<sub>TCN+RRI</sub> | 0.9140 | 0.8690 | 0.9583 | 0.9138 |
KOME<sub>TCN+P</sub> | 0.9159 | 0.8776 | 0.9535 | 0.9157 |
KOME<sub>CNN+P+RRI</sub> | 0.8777 | 0.8327 | 0.9227 | 0.8775 |
KOME | 0.9212 | 0.9020 | 0.9416 | 0.9212 |
4.注意力融合机制的有效性验证
该发明使用了基于注意力机制的融合方法来整合三个特征学习通道提取的特征。为了证明本研究提出的方法的有效性,本研究比较了使用不同融合模式时KOME的性能。如下表3所示,KOMEconcatenate是KOME的一个变体,它使用直接连接操作而不是注意力机制来融合三个特征学习通道生成的表示向量;而KOMEvoting则采用多数投票对三个通道得到的分类结果进行整合。实验结果表明,KOMEconcatenate在所有比较模型中表现较差,仅达到88.35%的准确率、83.62%的灵敏度、93.08的特异性和87.62%的F1分数。KOMEvoting试图通过投票集成来综合不同特征学习通道得出的结果,但其准确性、敏感性、特异性和F1分数仅达到90.96%、89.39%、92.49%和90.61%,略高于KOMEconcatenate。主要原因可能是这两种方法都只对不同通道学习到的特征进行简单的浅层组合,而没有完全捕捉到特征通道之间的关系。相比之下,本发明采用的注意力机制的KOME可以有效地实现多域特征的深度融合,优化最终的特征表示。这说明注意力机制融合方法的引入确实可以增强模型的分类精度,达到最佳性能。表3的数据如下所示:
表3
Method | ACC | Sen=recall | SPE/SPF | F1 |
KOME<sub>concatenate</sub> | 0.8835 | 0.8362 | 0.9308 | 0.8762 |
KOME<sub>voting</sub> | 0.9086 | 0.8939 | 0.9249 | 0.9061 |
KOME | 0.9212 | 0.9020 | 0.9416 | 0.9212 |
Method | ACC | Sen=recall | SPE/SPF | F1 |
需要强调的是,本发明所述的实例是说明性的,而不是限定性的,因此本发明不限于具体实施方式中所述的实例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,不脱离本发明宗旨和范围的,不论是修改还是替换,同样属于本发明的保护范围。
Claims (10)
1.一种基于多域特征学习的心电信号分类方法,其特征在于:包括以下步骤:
步骤1:对心电信号进行预处理,所述预处理至少包括:提取心电信号的RR间隔序列及P波区数据,并将所述P波区数据进行时频转换得到P波区时频图;
步骤2:基于多通道特征提取网络层对心电信号进行多域特征提取,所述多通道特征提取网络层包括心律特征通道的时序特征提取网络、心房特征通道的非时序特征提取网络以及全局特征提取网络;
包括将所述RR间隔序列输入所述时序特征提取网络得到心电信号的心律特征表示、将所述P波区时频图输入所述非时序特征提取网络得到心房活动特征表示;以及将心电信号输入所述全局特征提取网络得到全局时空特征表示;
步骤3:利用特征融合层对心电信号多域特征进行融合得到融合特征,并将心电信号的融合特征输入分类层得到心电信号的分类结果;
其中,多通道特征提取网络层、特征融合层以及分类层构成分类网络;利用心电信号样本及其分类标签,按照步骤1-步骤3的方式处理心电信号样本并基于深度学习完成所述分类网络训练;再利用训练后的所述分类网络及待分类心电信号,并按照步骤1-步骤3的方式处理得到所述待分类心电信号对应的分类结果。
2.根据权利要求1所述的心电信号分类方法,其特征在于:提取心电信号的RR间隔序列及P波区数据,并将所述P波区数据进行时频转换得到P波区时频图的过程如下:
按照定义的窗口大小对心电信号进行切割,保留窗口大小的心电信号;
对心电信号进行R波探测并记录R波位置序列,再将所述R波位置序列的相邻序列元素相减得到RR间隔序列;
将心电信号中R波位置序列对应点前Z秒的区间信号保留,其余信号全部置零得到P波区数据,所述P波区数据视为心房活动数据;再对所述心房活动数据进行时频转换得到P波区时频图。
4.根据权利要求1所述的方法,其特征在于:所述心房活动特征表示是将所述P波区时频图输入2D-CNN网络得到的,将所述2D-CNN网络作为心房特征通道的非时序特征提取网络;
其中,所述2D-CNN网络的网络层由依次连接的第一个二维卷积层、第一个最大池化层、第二个二维卷积层、第二个最大池化层、Flatten层、Dropout层及两层全连接层组成。
5.根据权利要求1所述的方法,其特征在于:所述全局时空特征表示是将心电信号输入由若干个TCN块构成的学习网络中得到,每个TCN块具有相同结构,TCN块构成的所述学习网络作为所述全局特征提取网络;
其中,前一个TCN块的输出为下一个TCN块的输入,最后一个TCN块的输出为所述心电信号的全局时空特征表示;任一个TCN块的输出表示为:
6.根据权利要求1所述的方法,其特征在于:心电信号的所述心律特征表示是将所述心电信号的RR间隔序列补零至预设长度后,再输入LSTM网络或Transformer网络得到的,所述LSTM网络或Transformer网络作为所述心律特征通道的时序特征提取网络。
8.一种基于权利要求1-7任一项所述心电信号分类方法的系统,其特征在于:包括:
预处理模块,用于对心电信号进行预处理,所述预处理至少包括:提取心电信号的RR间隔序列及P波区数据,并将所述P波区数据进行时频转换得到P波区时频图;
多域特征提取模块,用于基于多通道特征提取网络层对心电信号进行多域特征提取,所述多通道特征提取网络层包括心律特征通道的时序特征提取网络、心房特征通道的非时序特征提取网络以及全局特征提取网络;多域特征提取模块用于将所述RR间隔序列输入所述时序特征提取网络得到心电信号的心律特征表示、将所述P波区时频图输入所述非时序特征提取网络得到心房活动特征表示;以及将所述心电信号输入所述全局特征提取网络得到全局时空特征表示;
融合模块,用于利用特征融合层对心电信号多域特征进行融合得到融合特征;
分类模块,用于将心电信号的所述融合特征输入分类层得到心电信号的分类结果;
训练模块,用于利用心电信号样本及其分类标签,并依据所述预处理模块、所述多域特征提取模块、所述融合模块以及所述分类模块的数据处理,以及基于深度学习完成分类网络训练,所述分类网络由多通道特征提取网络层、特征融合层以及分类层构成。
9.一种电子终端,其特征在于:至少包括:
一个或多个处理器;
一个或多个存储器;
所述处理器调用所述存储器存储的计算机程序以执行:
权利要求1-7任一项所述一种基于多域特征学习的心电信号分类方法的步骤。
10.一种可读存储介质,其特征在于:存储了计算机程序,所述计算机程序被处理器调用以实现:
权利要求1-7任一项所述一种基于多域特征学习的心电信号分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210297296.2A CN114652322A (zh) | 2022-03-24 | 2022-03-24 | 一种基于多域特征学习的心电信号分类方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210297296.2A CN114652322A (zh) | 2022-03-24 | 2022-03-24 | 一种基于多域特征学习的心电信号分类方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114652322A true CN114652322A (zh) | 2022-06-24 |
Family
ID=82032364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210297296.2A Pending CN114652322A (zh) | 2022-03-24 | 2022-03-24 | 一种基于多域特征学习的心电信号分类方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114652322A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114886404A (zh) * | 2022-07-13 | 2022-08-12 | 西南民族大学 | 一种心律数据分类方法、装置、电子设备及存储介质 |
CN115211866A (zh) * | 2022-09-07 | 2022-10-21 | 西南民族大学 | 一种心律失常分类方法、系统及电子设备 |
CN116616792A (zh) * | 2023-07-21 | 2023-08-22 | 山东大学 | 基于轻量化设计和特征融合的心房颤动检测系统 |
-
2022
- 2022-03-24 CN CN202210297296.2A patent/CN114652322A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114886404A (zh) * | 2022-07-13 | 2022-08-12 | 西南民族大学 | 一种心律数据分类方法、装置、电子设备及存储介质 |
CN115211866A (zh) * | 2022-09-07 | 2022-10-21 | 西南民族大学 | 一种心律失常分类方法、系统及电子设备 |
CN115211866B (zh) * | 2022-09-07 | 2022-12-27 | 西南民族大学 | 一种心律失常分类方法、系统及电子设备 |
CN116616792A (zh) * | 2023-07-21 | 2023-08-22 | 山东大学 | 基于轻量化设计和特征融合的心房颤动检测系统 |
CN116616792B (zh) * | 2023-07-21 | 2023-12-01 | 山东大学 | 基于轻量化设计和特征融合的心房颤动检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Acharya et al. | Automated detection of arrhythmias using different intervals of tachycardia ECG segments with convolutional neural network | |
Nogueira et al. | Classifying heart sounds using images of motifs, MFCC and temporal features | |
Bassiouni et al. | Intelligent hybrid approaches for human ECG signals identification | |
CN114652322A (zh) | 一种基于多域特征学习的心电信号分类方法和系统 | |
Cao et al. | Atrial fibrillation detection using an improved multi-scale decomposition enhanced residual convolutional neural network | |
CN108090509B (zh) | 一种数据长度自适应的心电图分类方法 | |
Pal et al. | CardioNet: An efficient ECG arrhythmia classification system using transfer learning | |
Hammad et al. | End-to-end data authentication deep learning model for securing IoT configurations | |
Fang et al. | Dual-channel neural network for atrial fibrillation detection from a single lead ECG wave | |
El Boujnouni et al. | A wavelet-based capsule neural network for ECG biometric identification | |
Shi et al. | Automated atrial fibrillation detection based on feature fusion using discriminant canonical correlation analysis | |
Nahak et al. | Evaluation of handcrafted features and learned representations for the classification of arrhythmia and congestive heart failure in ECG | |
Yang et al. | Automated intra-patient and inter-patient coronary artery disease and congestive heart failure detection using EFAP-Net | |
Guan et al. | HA-ResNet: Residual neural network with hidden attention for ECG arrhythmia detection using two-dimensional signal | |
Kutlu et al. | Arrhythmia classification using waveform ECG signals | |
Wang et al. | Multiscale residual network based on channel spatial attention mechanism for multilabel ECG classification | |
Xu et al. | Inter-patient ECG classification with intra-class coherence based weighted kernel extreme learning machine | |
Golande et al. | Optical electrocardiogram based heart disease prediction using hybrid deep learning | |
Shaker et al. | Heartbeat classification using 1D convolutional neural networks | |
Khanmohammadi et al. | Fetal gender identification using machine and deep learning algorithms on phonocardiogram signals | |
Lu et al. | An end-to-end model for ECG signals classification based on residual attention network | |
Cheng et al. | Multi-label arrhythmia classification using 12-lead ECG based on lead feature guide network | |
Farag | A matched filter-based convolutional neural network (CNN) for inter-patient ECG classification and arrhythmia detection at the edge | |
Patel et al. | Different Transfer Learning Approaches for Recognition of Lung Sounds | |
Shafaatfar et al. | Improving the Efficiency of Automatic Cardiac Arrhythmias Classification by a Novel Patient-Specific Feature Space Mapping |
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 |