CN114847960A - 基于心电导联规则和残差神经网络的心电识别系统及方法 - Google Patents
基于心电导联规则和残差神经网络的心电识别系统及方法 Download PDFInfo
- Publication number
- CN114847960A CN114847960A CN202210634669.0A CN202210634669A CN114847960A CN 114847960 A CN114847960 A CN 114847960A CN 202210634669 A CN202210634669 A CN 202210634669A CN 114847960 A CN114847960 A CN 114847960A
- Authority
- CN
- China
- Prior art keywords
- lead
- electrocardiosignals
- residual
- electrocardio
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 20
- 239000013598 vector Substances 0.000 claims abstract description 44
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 15
- 230000000747 cardiac effect Effects 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 6
- 239000012634 fragment Substances 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation 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
-
- 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
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Cardiology (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本公开公开的基于心电导联规则和残差神经网络的心电识别系统及方法,包括:数据采集模块,用于获取十二导联心电信号;数据划分模块,用于根据心电导联规则与心脏解剖位置的关系,对十二导联心电信号进行分组,获得四组心电信号;心电识别模块,用于通过训练好的残差神经网络对每组心电信号进行识别,获得心电信号识别结果和位置定位结果,其中,训练好的残差神经网络包括四个残差网络模块,将每组心电信号输入单独的残差网络模块中,获取每组心电信号的特征向量,将每组心电信号的特征向量进行组合,获得代表特征向量,根据代表特征向量对心电信号进行识别,获得心电信号识别结果和位置定位结果。实现了对心电信号的识别和位置定位。
Description
技术领域
本发明涉及心电识别技术领域,尤其涉及基于心电导联规则和残差神经网络的心电识别系统及方法。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
目前为提高十二导联心电图(ECG)信号识别的效率和准确性,通过建立科学的神经网络模型来对ECG信号特征进行自动提取,根据提取的特征进行心电识别。
但在构建神经网络模型进行心电信号的特征提取时,忽略了不同位置导联与心电信号时间特征之间的关系。
发明内容
本公开为了解决上述问题,提出了基于心电导联规则和残差神经网络的心电识别系统及方法,在实现对心电信号准确识别的基础上,能够对识别的心电信号进行位置定位。
为实现上述目的,本公开采用如下技术方案:
第一方面,提出了基于心电导联规则和残差神经网络的心电识别系统,包括:
数据采集模块,用于获取十二导联心电信号;
数据划分模块,用于根据心电导联规则与心脏解剖位置的关系,对十二导联心电信号进行分组,获得四组心电信号;
心电识别模块,用于通过训练好的残差神经网络对每组心电信号进行识别,获得心电信号识别结果和位置定位结果,其中,训练好的残差神经网络包括四个残差网络模块,将每组心电信号输入单独的残差网络模块中,获取每组心电信号的特征向量,将每组心电信号的特征向量进行组合,获得代表特征向量,根据代表特征向量对心电信号进行识别,获得心电信号识别结果和位置定位结果和位置定位结果。
第二方面,提出了基于心电导联规则和残差神经网络的心电识别方法,包括:
获取十二导联心电信号;
根据心电导联规则与心脏解剖位置的关系,对十二导联心电信号进行分组,获得四组心电信号;
通过训练好的残差神经网络对四组心电信号进行识别,获得心电信号识别结果和位置定位结果,其中,训练好的残差神经网络包括四个残差网络模块,将每组心电信号输入单独的残差网络模块中,获取每组心电信号的特征向量,将每组心电信号的特征向量进行组合,获得代表特征向量,根据代表特征向量对心电信号进行识别,获得心电信号识别结果和位置定位结果。
第三方面,提出了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成基于心电导联规则和残差神经网络的心电识别方法所述的步骤。
第四方面,提出了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成基于心电导联规则和残差神经网络的心电识别方法所述的步骤。
与现有技术相比,本公开的有益效果为:
1、本发明根据心电导联规则与心脏解剖位置的关系,对十二导联心电信号进行分组,通过训练好的残差神经网络对每组心电信号进行识别,获得心电信号识别结果和位置定位结果,且能够对识别的心电信号进行位置定位。
2、本发明构建的残差神经网络包括四个残差网络模块,每个残差网络模块均包括三个依次连接的残差块,且在每个残差块中加入了第四卷积层与批归一化层组成的滤波器,提高了残差网络模块对每组心电信号特征提取的准确性,保证了心电信号识别、定位的准确性。
3、本发明提高了心电信号识别、定位的准确率和效率。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为实施例1公开系统的原理图;
图2为实施例1公开系统中残差块的网络结构图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
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申请的示例性实施方式。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。
实施例1
在该实施例中,公开了基于心电导联规则和残差神经网络的心电识别系统,包括:
数据采集模块,用于获取十二导联心电信号;
数据划分模块,用于根据心电导联规则与心脏解剖位置的关系,对十二导联心电信号进行分组,获得四组心电信号;
心电识别模块,用于通过训练好的残差神经网络对每组心电信号进行识别,获得心电信号识别结果和位置定位结果,其中,训练好的残差神经网络包括四个残差网络模块,将每组心电信号输入单独的残差网络模块中,获取每组心电信号的特征向量,将每组心电信号的特征向量进行组合,获得代表特征向量,根据代表特征向量对心电信号进行识别,获得心电信号识别结果和位置定位结果。
进一步的,数据采集模块获取十二导联心电信号的过程为:
获取十二导联心电图;
对十二导联心电图进行预处理;
从预处理后的心电图中提取以R点为基准点的心电片段,为十二导联心电信号。
进一步的,通过小波去噪方法对十二导联心电图进行预处理。
进一步的,数据采集模块获取十二导联心电信号包括:V1导联心电信号、V2导联心电信号、V3导联心电信号、V4导联心电信号、I导联心电信号、V5导联心电信号、V6导联心电信号、II导联心电信号及III导联心电信号。
进一步的,数据划分模块获得的四组心电信号,分别为:
V1、V2导联组,V3、V4导联组,I、V5、V6导联组,II、III导联组。
进一步的,每个残差网络模块均包括三个依次连接的残差块,每个残差块均包括第一卷积层、第二卷积层、第三卷积层、第四卷积层和池化层,残差块的输入与第一卷积层和第四卷积层连接,第一卷积层、第二卷积层、第三卷积层、池化层依次连接,且在第一卷积层与第二卷积层之间、第二卷积层与第三卷积层之间、第三卷积层与池化层之间均设置批归一化层和校正线性单元层,第四卷积层与批归一化层连接后接入第三卷积层之后的批归一化层与校正线性单元层之间,残差块的输入与第一卷积层和第四卷积层连接,池化层连接残差块的输出。
进一步的,心电识别模块采用softmax函数对代表特征向量进行分析,获得心电识别结果。
结合图1、2对本实施例公开的基于心电导联规则和残差神经网络的心电识别系统进行详细说明。
本实施例公开的基于心电导联规则和残差神经网络的心电识别系统,包括:
数据采集模块,用于获取十二导联心电信号;
数据划分模块,用于根据心电导联规则与心脏解剖位置的关系,对十二导联心电信号进行分组,获得四组心电信号;
心电识别模块,用于通过训练好的残差神经网络对每组心电信号进行识别,获得心电信号识别结果和位置定位结果,其中,训练好的残差神经网络包括四个残差网络模块,将每组心电信号输入单独的残差网络模块中,获取每组心电信号的特征向量,将每组心电信号的特征向量进行组合,获得代表特征向量,根据代表特征向量对心电信号进行识别,获得心电信号识别结果和位置定位结果。
其中,数据采集模块获取十二导联心电信号的具体过程为:
S11:获取十二导联心电图。
在具体实施时,通过十二导联心电图机获取十二导联心电图。
S12:对十二导联心电图进行预处理。
在具体实施时,通过小波去噪方法对十二导联心电图进行预处理,去除十二导联心电图中的基线漂移和噪声。
S13:从预处理后的心电图中提取以R点为基准点的心电片段,为十二导联心电信号。
在具体实施时,通过QRS检测算法检测预处理后的心电图中的R点,以R点为基准点,取R点前49个点,取R点后350个点,提取400个点的心电片段。
对于常规的十二导联心电图,采用十二个通道,每个通道都提取数个400个点的心电片段,为十二导联心电信号。
获取的十二导联心电信号包括:V1导联心电信号、V2导联心电信号、V3导联心电信号、V4导联心电信号、I导联心电信号、V5导联心电信号、V6导联心电信号、II导联心电信号及III导联心电信号。
数据划分模块根据心电导联规则与心脏解剖位置的关系,对十二导联心电信号进行分组,获得四组心电信号,具体过程为:
根据医学先验知识中,心电导联规则与心脏解剖位置的关系:II、III和aVF导联心电信号对应心脏的下壁,V1和V2导联心电信号对应心脏的前间壁,当V1和V2导联心电信号为高R波、无Q波时对应心脏后壁,v3和V4导联心电信号对应心脏前壁心尖部,V5、V6、I和aVL导联心电信号对应心脏后侧壁,如表1所示。
表1心电导联规则与心脏解剖位置的关系
因为aVF、aVL导联心电信号可由I、II导联心电信号计算出:
aVL=I-0.5*II
aVF=II-0.5*I
故在对心电信号进行识别时,通过心电导联规则与心脏解剖位置的关系,仅对V1导联心电信号、V2导联心电信号、V3导联心电信号、V4导联心电信号、I导联心电信号、V5导联心电信号、V6导联心电信号、II导联心电信号及III导联心电信号进行了分组,获得了四组心电信号,分别为:V1、V2导联组,V3、V4导联组,I、V5、V6导联组,II、III导联组。
心电识别模块,用于通过训练好的残差神经网络对每组心电信号进行识别,获得心电信号识别结果和位置定位结果。
其中,残差神经网络根据不同导联与心电信号时间特征之间的关系构建获得。
残差神经网络包括四个残差网络模块,将每组心电信号输入对应的残差网络模块中,获取每组心电信号的特征向量,将每组心电信号的特征向量进行组合,获得代表特征向量,根据代表特征向量对心电信号进行识别,获得心电信号识别结果和位置定位结果。
每个残差网络模块均包括三个依次连接的残差块,每个残差块均包括四个卷积层(C)和池化层(Pool),四个卷积层分别为:第一卷积层、第二卷积层、第三卷积层和第四卷积层,如图2所示,残差块的输入与第一卷积层和第四卷积层连接,第一卷积层、第二卷积层、第三卷积层、池化层依次连接,且在第一卷积层与第二卷积层之间、第二卷积层与第三卷积层之间、第三卷积层与池化层之间均设置批归一化层(BN)和校正线性单元层(Relu),第四卷积层与批归一化层连接后接入第三卷积层之后的批归一化层与校正线性单元层之间,残差块的输入与第一卷积层和第四卷积层连接,池化层连接残差块的输出。
利用卷积层捕捉显著特征,它具有平移不变性、大小不变性和旋转不变性的特点;基于卷积的分布特性映射层处理正向传播和反向传播的变化,以下层命名为批量标准化向输出层在标准化中发挥作用,它可以保持稳定的梯度大小,不断采用新的改变。Relu层对于提高基于非线性变换的CNN模型的性能有重要作用。Relu操作可以用公式概括:f(x)=max(x;0),x为输入到Relu层的信号,该方法引入了稀疏性,通过降低参数之间的相互依赖性,减少了过拟合的发生。再进一步,池化层使用平均池化层,降低了特征维数,提供了更具体的内部表示,此外,还开发了带有1×1滤波器的第四卷积层和批处理归一化层,以增加用于在残差块中添加的维数。
残差块的操作可以表示为:
yi=P{relu[E(xi)+F(xi,wi)]}
其中xi和yi是残差的第i个输入和输出;wi是一维卷积核(或权值);E(xi)表示满足加法运算的维数变换;F(xi,wi)表示连接批归一化和Relu层的一维卷积运算的倍数。
每个残差网络模块的三个残差块的参数如下表所示:
表2残差网络模块的参数
通过设置三个依次连接的残差块,能够对心电信号的特征进行多次提取,使获取的心电信号的特征更准确;同时,在每个残差块中,设置由第四卷积层和批处理归一化层组成的滤波器,能够提高残差网络模块对每组心电信号特征提取的准确性,进而有效保证了心电信号识别、定位的准确性。
利用四个残差网络模块可以获得四个心电信号的特征向量,分别为:向量D1、D2、D3和D4,然后将四个心电信号的特征向量进行组合,得到代表特征向量D。
D=[D1,D2,D3,D4]
获得的代表特征向量D的尺寸是16×4,将代表特征向量D通过压平层进行重塑,压平层可以将尺寸从16×4重塑为64×1。在压平层之后,使用softmax函数将数据馈送到输出层,同时,最后一个全连接的softmax层输出类上产生心电信号识别结果和定位结果。
本实施例构建的残差神经网络的详细信息如表3所示。
表3残差神经网络的详细信息
获取历史十二导联心电信号,根据心电导联规则与心脏解剖位置的关系,对历史十二导联心电信号进行分组,获得多组历史心电信号,对每组的历史心电信号进行类型标定,通过每组历史心电信号对构建的残差神经网络进行训练,获得训练好的残差神经网络,利用训练好的残差神经网络对获取的十二导联心电信号划分出的多组心电信号进行识别,获取了心电信号识别结果与位置定位结果。
本实施例公开的基于心电导联规则和残差神经网络的心电识别系统,根据心电导联规则与心脏解剖位置的关系,对十二导联心电信号进行分组,通过训练好的残差神经网络对每组心电信号进行识别,获得心电信号识别结果和位置定位结果,且能够对识别的心电信号进行位置定位,构建的残差神经网络包括四个残差网络模块,每个残差网络模块均包括三个依次连接的残差块,且在每个残差块中加入了第四卷积层与批归一化层组成的滤波器,提高了残差网络模块对每组心电信号特征提取的准确性,保证了心电信号识别、定位的准确性,提高了心电信号识别的效率。
实施例2
在该实施例中,公开了基于心电导联规则和残差神经网络的心电识别方法,包括:
获取十二导联心电信号;
根据心电导联规则与心脏解剖位置的关系,对十二导联心电信号进行分组,获得四组心电信号;
通过训练好的残差神经网络对每组心电信号进行识别,获得心电信号识别结果和位置定位结果,其中,训练好的残差神经网络包括四个残差网络模块,将每组心电信号输入单独的残差网络模块中,获取每组心电信号的特征向量,将每组心电信号的特征向量进行组合,获得代表特征向量,根据代表特征向量对心电信号进行识别,获得心电信号识别结果和位置定位结果。
实施例3
在该实施例中,公开了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例2公开的基于心电导联规则和残差神经网络的心电识别方法所述的步骤。
实施例4
在该实施例中,公开了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例2公开的基于心电导联规则和残差神经网络的心电识别方法所述的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.基于心电导联规则和残差神经网络的心电识别系统,其特征在于,包括:
数据采集模块,用于获取十二导联心电信号;
数据划分模块,用于根据心电导联规则与心脏解剖位置的关系,对十二导联心电信号进行分组,获得四组心电信号;
心电识别模块,用于通过训练好的残差神经网络对每组心电信号进行识别,获得心电信号识别结果和位置定位结果,其中,训练好的残差神经网络包括四个残差网络模块,将每组心电信号输入单独的残差网络模块中,获取每组心电信号的特征向量,将每组心电信号的特征向量进行组合,获得代表特征向量,根据代表特征向量对心电信号进行识别,获得心电信号识别结果和位置定位结果。
2.如权利要求1所述的基于心电导联规则和残差神经网络的心电识别系统,其特征在于,数据采集模块获取十二导联心电信号的过程为:
获取十二导联心电图;
对十二导联心电图进行预处理;
从预处理后的心电图中提取以R点为基准点的心电片段,为十二导联心电信号。
3.如权利要求2所述的基于心电导联规则和残差神经网络的心电识别系统,其特征在于,通过小波去噪方法对十二导联心电图进行预处理。
4.如权利要求1所述的基于心电导联规则和残差神经网络的心电识别系统,其特征在于,数据采集模块获取十二导联心电信号包括:V1导联心电信号、V2导联心电信号、V3导联心电信号、V4导联心电信号、I导联心电信号、V5导联心电信号、V6导联心电信号、II导联心电信号及III导联心电信号。
5.如权利要求4所述的基于心电导联规则和残差神经网络的心电识别系统,其特征在于,数据划分模块获得的四组心电信号,分别为:V1、V2导联组,V3、V4导联组,I、V5、V6导联组,II、III导联组。
6.如权利要求1所述的基于心电导联规则和残差神经网络的心电识别系统,其特征在于,每个残差网络模块均包括三个依次连接的残差块,每个残差块均包括第一卷积层、第二卷积层、第三卷积层、第四卷积层和池化层,残差块的输入与第一卷积层和第四卷积层连接,第一卷积层、第二卷积层、第三卷积层、池化层依次连接,且在第一卷积层与第二卷积层之间、第二卷积层与第三卷积层之间、第三卷积层与池化层之间均设置批归一化层和校正线性单元层,第四卷积层与批归一化层连接后接入第三卷积层之后的批归一化层与校正线性单元层之间,残差块的输入与第一卷积层和第四卷积层连接,池化层连接残差块的输出。
7.如权利要求1所述的基于心电导联规则和残差神经网络的心电识别系统,其特征在于,心电识别模块采用softmax函数对代表特征向量进行分析,获得心电识别结果。
8.基于心电导联规则和残差神经网络的心电识别方法,其特征在于,包括:
获取十二导联心电信号;
根据心电导联规则与心脏解剖位置的关系,对十二导联心电信号进行分组,获得四组心电信号;
通过训练好的残差神经网络对每组心电信号进行识别,获得心电信号识别结果和位置定位结果,其中,训练好的残差神经网络包括四个残差网络模块,将每组心电信号输入单独的残差网络模块中,获取每组心电信号的特征向量,将每组心电信号的特征向量进行组合,获得代表特征向量,根据代表特征向量对心电信号进行识别,获得心电信号识别结果和位置定位结果。
9.一种电子设备,其特征在于,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求8所述的基于心电导联规则和残差神经网络的心电识别方法的步骤。
10.一种计算机可读存储介质,其特征在于,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求8所述的基于心电导联规则和残差神经网络的心电识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210634669.0A CN114847960A (zh) | 2022-06-07 | 2022-06-07 | 基于心电导联规则和残差神经网络的心电识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210634669.0A CN114847960A (zh) | 2022-06-07 | 2022-06-07 | 基于心电导联规则和残差神经网络的心电识别系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114847960A true CN114847960A (zh) | 2022-08-05 |
Family
ID=82624919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210634669.0A Pending CN114847960A (zh) | 2022-06-07 | 2022-06-07 | 基于心电导联规则和残差神经网络的心电识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114847960A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108649961A (zh) * | 2018-05-08 | 2018-10-12 | 北京理工大学 | 一种基于边信息先验的多导联心电信号重构估计方法 |
CN109998532A (zh) * | 2019-06-04 | 2019-07-12 | 广州视源电子科技股份有限公司 | 基于多导联多结构聚合网络的心电信号识别方法和装置 |
CN110226920A (zh) * | 2019-06-26 | 2019-09-13 | 广州视源电子科技股份有限公司 | 心电信号识别方法、装置、计算机设备和存储介质 |
CN110522440A (zh) * | 2019-08-12 | 2019-12-03 | 广州视源电子科技股份有限公司 | 基于分组卷积神经网络的心电信号识别装置 |
CN111488793A (zh) * | 2020-02-21 | 2020-08-04 | 广州视源电子科技股份有限公司 | 心电信号分类方法、装置、电子设备和存储介质 |
US20200305799A1 (en) * | 2017-11-27 | 2020-10-01 | Lepu Medical Technology (Beijing) Co., Ltd. | Artificial intelligence self-learning-based automatic electrocardiography analysis method and apparatus |
CN113180688A (zh) * | 2020-12-14 | 2021-07-30 | 上海交通大学 | 基于残差神经网络的冠心病心电图筛查系统及方法 |
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 |
-
2022
- 2022-06-07 CN CN202210634669.0A patent/CN114847960A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200305799A1 (en) * | 2017-11-27 | 2020-10-01 | Lepu Medical Technology (Beijing) Co., Ltd. | Artificial intelligence self-learning-based automatic electrocardiography analysis method and apparatus |
CN108649961A (zh) * | 2018-05-08 | 2018-10-12 | 北京理工大学 | 一种基于边信息先验的多导联心电信号重构估计方法 |
CN109998532A (zh) * | 2019-06-04 | 2019-07-12 | 广州视源电子科技股份有限公司 | 基于多导联多结构聚合网络的心电信号识别方法和装置 |
CN110226920A (zh) * | 2019-06-26 | 2019-09-13 | 广州视源电子科技股份有限公司 | 心电信号识别方法、装置、计算机设备和存储介质 |
CN110522440A (zh) * | 2019-08-12 | 2019-12-03 | 广州视源电子科技股份有限公司 | 基于分组卷积神经网络的心电信号识别装置 |
CN111488793A (zh) * | 2020-02-21 | 2020-08-04 | 广州视源电子科技股份有限公司 | 心电信号分类方法、装置、电子设备和存储介质 |
CN113180688A (zh) * | 2020-12-14 | 2021-07-30 | 上海交通大学 | 基于残差神经网络的冠心病心电图筛查系统及方法 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110840402B (zh) | 一种基于机器学习的房颤信号识别方法及系统 | |
CN107822622B (zh) | 基于深度卷积神经网络的心电图诊断方法和系统 | |
CN103110417B (zh) | 一种心电图自动识别系统 | |
CN109117730B (zh) | 心电图心房颤动实时判断方法、装置、系统及存储介质 | |
Huang et al. | Accurate classification of ECG arrhythmia using MOWPT enhanced fast compression deep learning networks | |
Li et al. | Inter-patient arrhythmia classification with improved deep residual convolutional neural network | |
CN110522440B (zh) | 基于分组卷积神经网络的心电信号识别装置 | |
EP4092570A1 (en) | Heartbeat classification method for multi-tag ecg signal labeling, and device | |
Cao et al. | ML-Net: Multi-channel lightweight network for detecting myocardial infarction | |
CN111631705A (zh) | 心电异常检测方法、模型训练方法、装置、设备及介质 | |
CN111956208B (zh) | 一种基于超轻量级卷积神经网络的ecg信号分类方法 | |
Liu et al. | Diagnosis of arrhythmias with few abnormal ECG samples using metric-based meta learning | |
CN113486752B (zh) | 基于心电信号的情感识别方法及系统 | |
CN111481192A (zh) | 一种基于改进U-Net的心电信号R波检测方法 | |
CN114628020A (zh) | 远程体积描记信号检测模型构建、检测方法、装置及应用 | |
CN109770891B (zh) | 心电信号预处理方法及预处理装置 | |
CN112883803A (zh) | 一种基于深度学习的心电信号分类方法、装置及存储介质 | |
CN115530788A (zh) | 基于自注意力机制的心律失常分类方法 | |
CN113116300A (zh) | 一种基于模型融合的生理信号分类方法 | |
CN111557660A (zh) | 一种亚群体深度学习框架下的心律失常识别方法 | |
CN111956203A (zh) | 心电信号参数化方法、模型训练方法、装置、设备及介质 | |
CN113069124A (zh) | 一种基于cnn-et模型的心电监测方法 | |
CN114847960A (zh) | 基于心电导联规则和残差神经网络的心电识别系统及方法 | |
CN110495878B (zh) | 基于ecg的疾病预测方法、装置及电子设备 | |
CN115944305B (zh) | 一种无心拍切分的心电异常检测方法、系统、设备及介质 |
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 |