CN115337018A - 基于整体动态特征的心电信号分类方法及系统 - Google Patents
基于整体动态特征的心电信号分类方法及系统 Download PDFInfo
- Publication number
- CN115337018A CN115337018A CN202211135629.8A CN202211135629A CN115337018A CN 115337018 A CN115337018 A CN 115337018A CN 202211135629 A CN202211135629 A CN 202211135629A CN 115337018 A CN115337018 A CN 115337018A
- Authority
- CN
- China
- Prior art keywords
- electrocardiogram
- long
- classification
- classification model
- signal
- 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 57
- 230000006870 function Effects 0.000 claims abstract description 74
- 238000013145 classification model Methods 0.000 claims abstract description 59
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000013135 deep learning Methods 0.000 claims abstract description 14
- 208000024172 Cardiovascular disease Diseases 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims description 49
- 238000012549 training Methods 0.000 claims description 23
- 239000012634 fragment Substances 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 206010006578 Bundle-Branch Block Diseases 0.000 description 8
- 206010006580 Bundle branch block left Diseases 0.000 description 6
- 206010006582 Bundle branch block right Diseases 0.000 description 6
- 206010015856 Extrasystoles Diseases 0.000 description 4
- 208000000418 Premature Cardiac Complexes Diseases 0.000 description 4
- 206010003119 arrhythmia Diseases 0.000 description 4
- 230000006793 arrhythmia Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 201000001715 left bundle branch hemiblock Diseases 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 201000007916 right bundle branch block Diseases 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000000747 cardiac effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 206010003658 Atrial Fibrillation Diseases 0.000 description 2
- 230000001746 atrial effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002861 ventricular Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000004458 analytical method 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
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000000554 physical therapy Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
- 238000007794 visualization technique 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
- A61B5/72—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
- A61B5/24—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
- A61B5/363—Detecting tachycardia or bradycardia
-
- 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)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Cardiology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开的一种基于整体动态特征的心电信号分类方法及系统，包括：获取心电图信号，将所述心电图信号分割为长时间片段，通过经验模态分解方法对长时间片段使用进行处理，将经过经验模态分解处理得到固有模态函数分量进行组合，生成心电图整体特征；基于深度学习建立心电分类模型，将重构出心电图的整体特征输入所述心电分类模型，根据心血管疾病特征对心电图信号进行分类。本发明省去传统心电图分类过程中对心电信号进行滤波和去噪的必要操作，同时也克服了局部瞬时心率容易误分类的缺点，提高个人心电图的分类准确率。
Description
技术领域
本发明涉及心电数据分类技术领域，更具体的，涉及一种基于整体动态特征的心电信号分类方法及系统。
背景技术
心血管疾病是在全世界造成死亡的主要原因之一。该疾病具有高患病率、高致残率和高死亡率的特点，严重威胁着人们的生命健康，积极的预防其意义远大于被动的治疗。心血管疾病依赖长期监测来诊断，需要随时随地检测心电图信号，检测是否有异常心跳，或者评估心脏对于白天理疗活动的反应，这有助于及早预防心血管疾病的发生。但是，传统上心血管参数是使用固定且昂贵的医疗级医院设备(如心电图(ECG)设备)采集的，这些设备对于院外使用来说不可扩展，对于家庭使用来说过于昂贵。像无创方法，如声音、超声或磁共振成像这些方法只应用在临床实验上。而且，测量这些心电信号需要专业设备和专业技术人员的支持，可能需要大量资源。如今，手持式或可穿戴式心电图设备已得到显著改善，非从业者也可以记录自己的信号，以便能够及早发现心脏异常。因此，使用可穿戴设备对日常生活中的心电图参数进行长期连续监测以及检测参数的异常的研究，对于预防心血管疾病非常重要。
然而，广泛采用收集生物电信号的可穿戴设备的一个主要限制因素是信号污染的可能性增加。当佩戴该设备的特定对象的身体运动时，可能会导致皮肤和电极彼此相对移动，这种运动伪影是生物电信号记录可能引入的主要污染形式，而运动伪影的存在可能导致心电图的错误解释或漏报。同时，由于这些可穿戴设备需要执行长时间连续的监测任务，所需处理的计算成本也随之增大，所以如何使用一种更轻量化的算法来改进使用自我监测的心电图信号的自动分析和心脏异常诊断。
发明内容
为了解决上述技术问题，本发明提出了一种基于整体动态特征的心电信号分类方法及系统。
本发明第一方面提供了一种基于整体动态特征的心电信号分类方法，包括：
获取心电图信号，将所述心电图信号分割为长时间片段，通过经验模态分解方法对长时间片段使用进行处理；
将经过经验模态分解处理得到固有模态函数分量进行组合，生成心电图整体特征；
基于深度学习建立心电分类模型，将重构出心电图的整体特征输入所述心电分类模型，根据心血管疾病特征对心电图信号进行分类。
本方案中，通过经验模态分解方法对长时间片段使用进行处理，具体为：
获取心电图信号的各个长时间片段中局部最大值及局部最小值，提取心电图信号X(t)中所有极值点；
通过插值法对极大值点进行处理生成上包络线，将所有的极小值点进行处理生成下包络线，并计算所述上包络线及下包络线的均值；
在原始心电图信号中减去所述均值，得到中间信号h(t)，判断所述中间信号h(t)是否满足固有模态函数的约束条件，若满足，则将中间信号作为一个相对于均值包络线的高频分量，得到固有模态函数分量；若不满足，则重复步骤进行迭代至满足约束条件；
在原始心电图信号中去除固有模态函数分量，得到残差信号，重复至最终残差信号为单调函数。
本方案中，将经过经验模态分解处理得到固有模态函数分量进行组合，生成心电图整体特征，具体为：
通过经验模态分解对心电图信号进行全面表征，提取高频分量，并保留心电图信号的有用信息，根据高频分量组成固有模态函数分量集合；
通过组合两个固有模态函数分量中每个固有模态函数分量的轴向图像，将其中一个作为X轴坐标，另一个作为Y轴坐标，根据坐标点生成图像信息作为心电图数据的整体特征。
本方案中，基于深度学习建立心电分类模型，具体为：
基于VGG16网络建立心电分类模型，将VGG16网络中五个卷积块后的三个完全连接层中的两个完全连接层替换为全局平均池化层，形成全局平均池化层及完全连接层，以减少参数数量；
初始化心电分类模型的超参数，通过ReLU函数设置卷积块的激活函数，利用完全连接层中的Softmax函数进行输出；
通过相关数据库获取心电图数据集，对所述心电图数据集根据预设分类规则进行长时间片段的片段分类，并设置类型标签；
将设置类型标签后的数据集分为训练集与测试集，通过所述训练集对心电分类模型进行训练，并选取预设评价指标根据测试集对心电分类模型的输出结果进行评价；
当心电分类模型输出结果的评价结果大于预设阈值时，则证明心电分类模型训练完毕，输出训练好的心电分类模型。
本方案中，通过相关数据集获取心电图数据集，对所述心电图数据集根据预设分类规则进行长时间片段的片段分类，并设置类型标签，具体为：
通过相关数据库提取心电图数据，获取心电图数据中的正常心拍及异常心拍，并获取异常心拍的异常类型，基于正常类型及各异常类型在心电图数据中挑选占比最高的N种类型，作为长时间片段的预设类型信息；
将心电图数据以不同长度单位进行切分，获取长时间片段，根据各长时间片段中的正常心拍及异常心拍根据预设分类规则进行片段分类；
当一个长时间片段中所有心拍为正常时，则该片段为正常；
当一个长时间片段中同时存在正常和异常心拍，则该片段为异常；当一个长时间片段中同时存在多类异常心拍，则以片段中最多的异常类型为该片段类型；当一个长时间片段中的存在多类且数目相同的异常心拍，以最先出现的异常类型为该片段类型；
根据各长时间片段的类型设置类型标签。
本方案中，通过改变每个长时间片段之间的重叠量，缓解样本量不足及类别不平衡问题，重叠取样的公式为：
其中，X表示完整的心电图信号，xn表示每个片段在一定时间间隔上的取值，n表示心电图数据样本总数，T表示每个片段的采样频率，N表示重叠窗口。
本发明第二方面还提供了一种基于整体动态特征的心电信号分类系统，该系统包括：存储器、处理器，所述存储器中包括一种基于整体动态特征的心电信号分类方法程序，所述一种基于整体动态特征的心电信号分类方法程序被所述处理器执行时实现如下步骤：
获取心电图信号，将所述心电图信号分割为长时间片段，通过经验模态分解方法对长时间片段使用进行处理；
将经过经验模态分解处理得到固有模态函数分量进行组合，生成心电图整体特征；
基于深度学习建立心电分类模型，将重构出心电图的整体特征输入所述心电分类模型，根据心血管疾病特征对心电图信号进行分类。
通过采用上述技术方案，本发明所取得的有益效果为：
1.本方案省去了心电图分类过程中对心电图信号进行滤波和去噪的必要操作，同时也克服了一些瞬时心率容易误分类的缺点；
2.在心电图的特征提取中，通过经验模态分解中的固有模态函数分量构建特征，不提取信号波形的形态特征，减少了过滤等一些预处理操作，降低预处理的难度；
3、构建反映心电图整体动态特性的二维稳定轨迹特征，提高了个人心电图的分类准确率，降低心电图识别的误报率，尤其有助于可穿戴检测的心电图分类设备。
附图说明
图1示出了本发明一种基于整体动态特征的心电信号分类方法的流程图；
图2示出了本发明中时长为3分钟的原始心电图信号及对应的整体特征图像；
图3示出了本发明基于深度学习建立心电分类模型的流程图；
图4示出了本发明一种基于整体动态特征的心电信号分类系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于整体动态特征的心电信号分类方法的流程图。
如图1所示，本发明第一方面提供了一种基于整体动态特征的心电信号分类方法，包括：
S102，获取心电图信号，将所述心电图信号分割为长时间片段，通过经验模态分解方法对长时间片段使用进行处理；
S104，将经过经验模态分解处理得到固有模态函数分量进行组合，生成心电图整体特征；
S106，基于深度学习建立心电分类模型，将重构出心电图的整体特征输入所述心电分类模型，根据心血管疾病特征对心电图信号进行分类。
需要说明的是，经验模态分解可以将原始信号分解成独立的固有模态函数(IMFs)，IMFs代表信号的振荡部分。通过经验模态分解方法对长时间片段使用进行处理，具体为：
获取心电图信号的各个长时间片段中局部最大值及局部最小值，提取心电图信号X(t)中所有极值点；
通过插值法对极大值点进行处理生成上包络线emax(t)，将所有的极小值点进行处理生成下包络线emint(t)，并计算所述上包络线及下包络线的均值m(t)，m(t)＝(emint(t)+emax(t))/2；
在原始心电图信号中减去所述均值，得到中间信号h(t)，h(t)＝x(t)-m(t)，判断所述中间信号h(t)是否满足固有模态函数的约束条件，若满足，则将中间信号作为一个相对于均值包络线的高频分量，得到固有模态函数分量c(t)；若不满足，则重复步骤进行迭代至满足约束条件；
在原始心电图信号中去除固有模态函数分量，得到残差信号r(t)，r(t)＝x(t)-c(t)，重复至最终残差信号为单调函数。原始心电图信号可表示为
其中，ci(t)表示第i个固有模态函数分量，M为固有模态函数分量总数。
需要说明的是，通过经验模态分解对心电图信号进行全面表征，提取高频分量，并保留心电图信号的有用信息，根据高频分量组成固有模态函数分量集合，在经验模态分解之后，前三个固有模态函数去除了大部分噪声和伪影，通过组合两个固有模态函数分量中每个固有模态函数分量的轴向图像，将其中一个作为X轴坐标，另一个作为Y轴坐标，根据坐标点生成图像信息作为心电图数据的整体特征，具体公式为：
x(t)＝IMFi(t),i∈N*
y(t)＝IMFj(t),j∈N*
其中，x(t)表示X轴坐标，y(t)表示Y轴坐标，i，j分别表示固有模态函数分量的项数，IMFi(t)，IMFj(t)分别表示第i个、第j个固有模态函数分量对应的固有模态函数。
图2示出了本发明中时长为3分钟的原始心电图信号及对应的整体特征图像，生成的图像用作心电图数据的整体特征，进行特征可视化，特征可视化方法遵循了用于IMF组件的相空间重构的类似方法，从特征图像中能发现相空间中存在重复轨迹。
需要说明的是，通过相关数据库提取心电图数据，获取心电图数据中的正常心拍及异常心拍，并获取异常心拍的异常类型，基于正常类型及各异常类型在心电图数据中挑选占比最高的N种类型，作为长时间片段的预设类型信息；
将心电图数据以不同长度单位进行切分，获取长时间片段，根据各长时间片段中的正常心拍及异常心拍根据预设分类规则进行片段分类；
当一个长时间片段中所有心拍为正常时，则该片段为正常；
当一个长时间片段中同时存在正常和异常心拍，则该片段为异常；当一个长时间片段中同时存在多类异常心拍，则以片段中最多的异常类型为该片段类型；当一个长时间片段中的存在多类且数目相同的异常心拍，以最先出现的异常类型为该片段类型；
根据各长时间片段的类型设置类型标签。
在本发明一个较佳实施例中，使用MIT-BIH心律失常数据库的心电图数据。该数据库记录48个病人的数据，每次记录以360赫兹采样，持续大约30分钟。数据库包含了15种类型的心拍。正常心拍占比70％左右，异常心拍共14种占30％左右，其中包括了房性早搏、室性早搏、房颤、起搏心跳等多种心律失常，从48条数据中挑选出占比最高的四种心拍类型的数据作为片段预设分类类型，分别是正常心搏(N，Normal beat)、左束支传阻滞心搏(LBBB，Left bundle branch block beat)、右束支传阻滞心搏(RBBB，Right bundle branchblock beat)和起搏心搏(P，Paced beat)。
需要说明的是，通过改变每个长时间片段之间的重叠量，缓解样本量不足及类别不平衡问题，重叠取样的公式为：
其中，X表示完整的心电图信号，xn表示每个片段在一定时间间隔上的取值，n表示心电图数据样本总数，T表示每个片段的采样频率，N表示重叠窗口。
从数据集中通过片段间的互相重叠来缓解样本量不足和类别不平衡问题，即以一定长度的时间作为重叠单位，这个时间可以根据数据长度以及需要的样本量进行动态选择，以获得所需的样本大小。
图3示出了本发明基于深度学习建立心电分类模型的流程图。
根据本发明实施例，基于深度学习建立心电分类模型，具体为：
S302，基于VGG16网络建立心电分类模型，将VGG16网络中五个卷积块后的三个完全连接层中的两个完全连接层替换为全局平均池化层，形成全局平均池化层及完全连接层，以减少参数数量；
S304，初始化心电分类模型的超参数，通过ReLU函数设置卷积块的激活函数，利用完全连接层中的Softmax函数进行输出；
S306，通过相关数据库获取心电图数据集，对所述心电图数据集根据预设分类规则进行长时间片段的片段分类，并设置类型标签；
S308，将设置类型标签后的数据集分为训练集与测试集，通过所述训练集对心电分类模型进行训练，并选取预设评价指标根据测试集对心电分类模型的输出结果进行评价；
S310，当心电分类模型输出结果的评价结果大于预设阈值时，则证明心电分类模型训练完毕，输出训练好的心电分类模型。
需要说明的是，本方案中VGG16网络由五个卷积块组成，其中每个卷积后面都有一个最大池化层。由于接下来三个完全连接层的参数占用大量内存，我们的方法用全局平均池化层(GAP)替换两个完全连接层，以减少参数数量。其中，Softmax激活函数为，
其中，ak为当前的输入信号，ai为所有输入信号中的第i个信号，n为信号总数，yk当前输入信号的概率输出。
对心电分类模型进行训练中，将心电图数据以不同长度单位进行划分，划分好的数据进行经验模态分解处理后，在通过每两个固有模态函数的组合生成特征图作为新的数据；使用多类交叉验证分类，70％的数据用作训练，其余30％的数据用作测试。模型训练的优化器为Adam优化器，学习率为1×10-3，遍历次数设置为90，训练后既可得到优化后的大时间尺度的心电分类模型。
通过精度(Precision)、特效度(Sensitivity)和正确率(Accuracy)三个因素来评估所提出的分类方法的性能。其公式如下所示，精度PPV代表在结果判定为“真”的样本中，真的正确率。特效度Sensitivity代表在真的样本中被判为的“真”的占比。正确率Accuracy是通过正确分类的数据之和除以数据样本总数来计算的，其中，TP为真阳性率，FN为假阴性率，TN为真阴性率，FP为假阳性率。
图4示出了本发明一种基于整体动态特征的心电信号分类系统的框图。
本发明第二方面还提供了一种基于整体动态特征的心电信号分类系统4，该系统包括：存储器41、处理器42，所述存储器中包括一种基于整体动态特征的心电信号分类方法程序，所述一种基于整体动态特征的心电信号分类方法程序被所述处理器执行时实现如下步骤：
获取心电图信号，将所述心电图信号分割为长时间片段，通过经验模态分解方法对长时间片段使用进行处理；
将经过经验模态分解处理得到固有模态函数分量进行组合，生成心电图整体特征；
基于深度学习建立心电分类模型，将重构出心电图的整体特征输入所述心电分类模型，根据心血管疾病特征对心电图信号进行分类。
需要说明的是，经验模态分解可以将原始信号分解成独立的固有模态函数(IMFs)，IMFs代表信号的振荡部分。通过经验模态分解方法对长时间片段使用进行处理，具体为：
获取心电图信号的各个长时间片段中局部最大值及局部最小值，提取心电图信号X(t)中所有极值点；
通过插值法对极大值点进行处理生成上包络线emax(t)，将所有的极小值点进行处理生成下包络线emint(t)，并计算所述上包络线及下包络线的均值m(t)，m(t)＝(emint(t)+emax(t))/2；
在原始心电图信号中减去所述均值，得到中间信号h(t)，h(t)＝x(t)-m(t)，判断所述中间信号h(t)是否满足固有模态函数的约束条件，若满足，则将中间信号作为一个相对于均值包络线的高频分量，得到固有模态函数分量c(t)；若不满足，则重复步骤进行迭代至满足约束条件；
在原始心电图信号中去除固有模态函数分量，得到残差信号r(t)，r(t)＝x(t)-c(t)，重复至最终残差信号为单调函数。原始心电图信号可表示为
其中，ci(t)表示第i个固有模态函数分量，M为固有模态函数分量总数。
需要说明的是，通过经验模态分解对心电图信号进行全面表征，提取高频分量，并保留心电图信号的有用信息，根据高频分量组成固有模态函数分量集合，在经验模态分解之后，前三个固有模态函数去除了大部分噪声和伪影，通过组合两个固有模态函数分量中每个固有模态函数分量的轴向图像，将其中一个作为X轴坐标，另一个作为Y轴坐标，根据坐标点生成图像信息作为心电图数据的整体特征，具体公式为：
x(t)＝IMFi(t),i∈N*
y(t)＝IMFj(t),j∈N*
其中，x(t)表示X轴坐标，y(t)表示Y轴坐标，i，j分别表示固有模态函数分量的项数，IMFi(t)，IMFj(t)分别表示第i个、第j个固有模态函数分量对应的固有模态函数。
生成的图像用作心电图数据的整体特征，进行特征可视化，特征可视化方法遵循了用于IMF组件的相空间重构的类似方法，从特征图像中能发现相空间中存在重复轨迹。
需要说明的是，通过相关数据库提取心电图数据，获取心电图数据中的正常心拍及异常心拍，并获取异常心拍的异常类型，基于正常类型及各异常类型在心电图数据中挑选占比最高的N种类型，作为长时间片段的预设类型信息；
将心电图数据以不同长度单位进行切分，获取长时间片段，根据各长时间片段中的正常心拍及异常心拍根据预设分类规则进行片段分类；
当一个长时间片段中所有心拍为正常时，则该片段为正常；
当一个长时间片段中同时存在正常和异常心拍，则该片段为异常；当一个长时间片段中同时存在多类异常心拍，则以片段中最多的异常类型为该片段类型；当一个长时间片段中的存在多类且数目相同的异常心拍，以最先出现的异常类型为该片段类型；
根据各长时间片段的类型设置类型标签。
在本发明一个较佳实施例中，使用MIT-BIH心律失常数据库的心电图数据。该数据库记录48个病人的数据，每次记录以360赫兹采样，持续大约30分钟。数据库包含了15种类型的心拍。正常心拍占比70％左右，异常心拍共14种占30％左右，其中包括了房性早搏、室性早搏、房颤、起搏心跳等多种心律失常，从48条数据中挑选出占比最高的四种心拍类型的数据作为片段预设分类类型，分别是正常心搏(N，Normal beat)、左束支传阻滞心搏(LBBB，Left bundle branch block beat)、右束支传阻滞心搏(RBBB，Right bundle branchblock beat)和起搏心搏(P，Paced beat)。
需要说明的是，通过改变每个长时间片段之间的重叠量，缓解样本量不足及类别不平衡问题，重叠取样的公式为：
其中，X表示完整的心电图信号，xn表示每个片段在一定时间间隔上的取值，n表示心电图数据样本总数，T表示每个片段的采样频率，N表示重叠窗口。
从数据集中通过片段间的互相重叠来缓解样本量不足和类别不平衡问题，即以一定长度的时间作为重叠单位，这个时间可以根据数据长度以及需要的样本量进行动态选择，以获得所需的样本大小。
根据本发明实施例，基于深度学习建立心电分类模型，具体为：
基于VGG16网络建立心电分类模型，将VGG16网络中五个卷积块后的三个完全连接层中的两个完全连接层替换为全局平均池化层，形成全局平均池化层及完全连接层，以减少参数数量；
初始化心电分类模型的超参数，通过ReLU函数设置卷积块的激活函数，利用完全连接层中的Softmax函数进行输出；
通过相关数据库获取心电图数据集，对所述心电图数据集根据预设分类规则进行长时间片段的片段分类，并设置类型标签；
将设置类型标签后的数据集分为训练集与测试集，通过所述训练集对心电分类模型进行训练，并选取预设评价指标根据测试集对心电分类模型的输出结果进行评价；
当心电分类模型输出结果的评价结果大于预设阈值时，则证明心电分类模型训练完毕，输出训练好的心电分类模型。
需要说明的是，本方案中VGG16网络由五个卷积块组成，其中每个卷积后面都有一个最大池化层。由于接下来三个完全连接层的参数占用大量内存，我们的方法用全局平均池化层(GAP)替换两个完全连接层，以减少参数数量。其中，Softmax激活函数为，
其中，ak为当前的输入信号，ai为所有输入信号中的第i个信号，n为信号总数，yk当前输入信号的概率输出。
对心电分类模型进行训练中，将心电图数据以不同长度单位进行划分，划分好的数据进行经验模态分解处理后，在通过每两个固有模态函数的组合生成特征图作为新的数据；使用多类交叉验证分类，70％的数据用作训练，其余30％的数据用作测试。模型训练的优化器为Adam优化器，学习率为1×10-3，遍历次数设置为90，训练后既可得到优化后的大时间尺度的心电分类模型。
通过精度(Precision)、特效度(Sensitivity)和正确率(Accuracy)三个因素来评估所提出的分类方法的性能。其公式如下所示，精度PPV代表在结果判定为“真”的样本中，真的正确率。特效度Sensitivity代表在真的样本中被判为的“真”的占比。正确率Accuracy是通过正确分类的数据之和除以数据样本总数来计算的，其中，TP为真阳性率，FN为假阴性率，TN为真阴性率，FP为假阳性率。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、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。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的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。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于整体动态特征的心电信号分类方法，其特征在于，包括以下步骤：
获取心电图信号，将所述心电图信号分割为长时间片段，通过经验模态分解方法对长时间片段使用进行处理；
将经过经验模态分解处理得到固有模态函数分量进行组合，生成心电图整体特征；
基于深度学习建立心电分类模型，将重构出心电图的整体特征输入所述心电分类模型，根据心血管疾病特征对心电图信号进行分类。
2.根据权利要求1所述的一种基于整体动态特征的心电信号分类方法，其特征在于，通过经验模态分解方法对长时间片段使用进行处理，具体为：
获取心电图信号的各个长时间片段中局部最大值及局部最小值，提取心电图信号X(t)中所有极值点；
通过插值法对极大值点进行处理生成上包络线，将所有的极小值点进行处理生成下包络线，并计算所述上包络线及下包络线的均值；
在原始心电图信号中减去所述均值，得到中间信号h(t)，判断所述中间信号h(t)是否满足固有模态函数的约束条件，若满足，则将中间信号作为一个相对于均值包络线的高频分量，得到固有模态函数分量；若不满足，则重复步骤进行迭代至满足约束条件；
在原始心电图信号中去除固有模态函数分量，得到残差信号，重复至最终残差信号为单调函数。
3.根据权利要求1所述的一种基于整体动态特征的心电信号分类方法，其特征在于，将经过经验模态分解处理得到固有模态函数分量进行组合，生成心电图整体特征，具体为：
通过经验模态分解对心电图信号进行全面表征，提取高频分量，并保留心电图信号的有用信息，根据高频分量组成固有模态函数分量集合；
通过组合两个固有模态函数分量中每个固有模态函数分量的轴向图像，将其中一个作为X轴坐标，另一个作为Y轴坐标，根据坐标点生成图像信息作为心电图数据的整体特征。
4.根据权利要求1所述的一种基于整体动态特征的心电信号分类方法，其特征在于，基于深度学习建立心电分类模型，具体为：
基于VGG16网络建立心电分类模型，将VGG16网络中五个卷积块后的三个完全连接层中的两个完全连接层替换为全局平均池化层，形成全局平均池化层及完全连接层，以减少参数数量；
初始化心电分类模型的超参数，通过ReLU函数设置卷积块的激活函数，利用完全连接层中的Softmax函数进行输出；
通过相关数据库获取心电图数据集，对所述心电图数据集根据预设分类规则进行长时间片段的片段分类，并设置类型标签；
将设置类型标签后的数据集分为训练集与测试集，通过所述训练集对心电分类模型进行训练，并选取预设评价指标根据测试集对心电分类模型的输出结果进行评价；
当心电分类模型输出结果的评价结果大于预设阈值时，则证明心电分类模型训练完毕，输出训练好的心电分类模型。
5.根据权利要求4所述的一种基于整体动态特征的心电信号分类方法，其特征在于，通过相关数据集获取心电图数据集，对所述心电图数据集根据预设分类规则进行长时间片段的片段分类，并设置类型标签，具体为：
通过相关数据库提取心电图数据，获取心电图数据中的正常心拍及异常心拍，并获取异常心拍的异常类型，基于正常类型及各异常类型在心电图数据中挑选占比最高的N种类型，作为长时间片段的预设类型信息；
将心电图数据以不同长度单位进行切分，获取长时间片段，根据各长时间片段中的正常心拍及异常心拍根据预设分类规则进行片段分类；
当一个长时间片段中所有心拍为正常时，则该片段为正常；
当一个长时间片段中同时存在正常和异常心拍，则该片段为异常；当一个长时间片段中同时存在多类异常心拍，则以片段中最多的异常类型为该片段类型；当一个长时间片段中的存在多类且数目相同的异常心拍，以最先出现的异常类型为该片段类型；
根据各长时间片段的类型设置类型标签。
6.根据权利要求4所述的一种基于整体动态特征的心电信号分类方法，其特征在于，通过改变每个长时间片段之间的重叠量，缓解样本量不足及类别不平衡问题，重叠取样的公式为：
其中，X表示完整的心电图信号，xn表示每个片段在一定时间间隔上的取值，n表示心电图数据样本总数，T表示每个片段的采样频率，N表示重叠窗口。
7.一种基于整体动态特征的心电信号分类系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括一种基于整体动态特征的心电信号分类方法程序，所述一种基于整体动态特征的心电信号分类方法程序被所述处理器执行时实现如下步骤：
获取心电图信号，将所述心电图信号分割为长时间片段，通过经验模态分解方法对长时间片段使用进行处理；
将经过经验模态分解处理得到固有模态函数分量进行组合，生成心电图整体特征；
基于深度学习建立心电分类模型，将重构出心电图的整体特征输入所述心电分类模型，根据心血管疾病特征对心电图信号进行分类。
8.根据权利要求7所述的一种基于整体动态特征的心电信号分类系统，其特征在于，通过经验模态分解方法对长时间片段使用进行处理，具体为：
获取心电图信号的各个长时间片段中局部最大值及局部最小值，提取心电图信号X(t)中所有极值点；
通过插值法对极大值点进行处理生成上包络线，将所有的极小值点进行处理生成下包络线，并计算所述上包络线及下包络线的均值；
在原始心电图信号中减去所述均值，得到中间信号h(t)，判断所述中间信号h(t)是否满足固有模态函数的约束条件，若满足，则将中间信号作为一个相对于均值包络线的高频分量，得到固有模态函数分量；若不满足，则重复步骤进行迭代至满足约束条件；
在原始心电图信号中去除固有模态函数分量，得到残差信号，重复至最终残差信号为单调函数。
9.根据权利要求7所述的一种基于整体动态特征的心电信号分类系统，其特征在于，将经过经验模态分解处理得到固有模态函数分量进行组合，生成心电图整体特征，具体为：
通过经验模态分解对心电图信号进行全面表征，提取高频分量，并保留心电图信号的有用信息，根据高频分量组成固有模态函数分量集合；
通过组合两个固有模态函数分量中每个固有模态函数分量的轴向图像，将其中一个作为X轴坐标，另一个作为Y轴坐标，根据坐标点生成图像信息作为心电图数据的整体特征。
10.根据权利要求7所述的一种基于整体动态特征的心电信号分类系统，其特征在于，基于深度学习建立心电分类模型，具体为：
基于VGG16网络建立心电分类模型，将VGG16网络中五个卷积块后的三个完全连接层中的两个完全连接层替换为全局平均池化层，形成全局平均池化层及完全连接层，以减少参数数量；
初始化心电分类模型的超参数，通过ReLU函数设置卷积块的激活函数，利用完全连接层中的Softmax函数进行输出；
通过相关数据库获取心电图数据集，对所述心电图数据集根据预设分类规则进行长时间片段的片段分类，并设置类型标签；
将设置类型标签后的数据集分为训练集与测试集，通过所述训练集对心电分类模型进行训练，并选取预设评价指标根据测试集对心电分类模型的输出结果进行评价；
当心电分类模型输出结果的评价结果大于预设阈值时，则证明心电分类模型训练完毕，输出训练好的心电分类模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211135629.8A CN115337018B (zh) | 2022-09-19 | 2022-09-19 | 基于整体动态特征的心电信号分类方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211135629.8A CN115337018B (zh) | 2022-09-19 | 2022-09-19 | 基于整体动态特征的心电信号分类方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115337018A true CN115337018A (zh) | 2022-11-15 |
| CN115337018B CN115337018B (zh) | 2024-01-09 |
Family
ID=83955942
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211135629.8A Active CN115337018B (zh) | 2022-09-19 | 2022-09-19 | 基于整体动态特征的心电信号分类方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115337018B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116503673A (zh) * | 2023-06-26 | 2023-07-28 | 亿慧云智能科技（深圳）股份有限公司 | 一种基于心电图的心律失常识别检测方法及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120209131A1 (en) * | 2011-02-11 | 2012-08-16 | AventuSoft, LLC | Method and System of a Cardio-acoustic Classification system for Screening, Diagnosis and Monitoring of Cardiovascular Conditions |
| US9380948B1 (en) * | 2013-07-25 | 2016-07-05 | Men-Tzung Lo | System and method for quantitative analysis of respiratory sinus arrhythmia |
| US9433365B1 (en) * | 2012-07-26 | 2016-09-06 | National Yang-Ming University | System and method for indentifying rotors in fractionated signals in persistent atrial fibrillation ablation |
| CN106709414A (zh) * | 2015-11-18 | 2017-05-24 | 财团法人交大思源基金会 | 生理信号量测系统及其方法 |
| CN108537100A (zh) * | 2017-11-17 | 2018-09-14 | 吉林大学 | 一种基于pca和lda分析的心电信号身份识别方法及系统 |
| CN109998527A (zh) * | 2019-04-09 | 2019-07-12 | 湖北工业大学 | 一种基于多尺度熵的心脏疾病检测方法 |
| CN110558973A (zh) * | 2019-09-06 | 2019-12-13 | 江苏华康信息技术有限公司 | 一种基于极值能量分解法的心电图信号量化分析方法 |
| CN111449645A (zh) * | 2020-03-07 | 2020-07-28 | 河南大学 | 心电图心拍智能分类识别方法 |
| CN114052744A (zh) * | 2021-11-02 | 2022-02-18 | 西安电子科技大学重庆集成电路创新研究院 | 基于脉冲神经网络的心电信号分类方法 |
| CN114176550A (zh) * | 2021-12-28 | 2022-03-15 | 深圳云天励飞技术股份有限公司 | 心率数据分类方法、装置、设备及存储介质 |
| CN114469124A (zh) * | 2022-01-30 | 2022-05-13 | 北京理工大学 | 一种运动过程中异常心电信号的识别方法 |
| CN114782871A (zh) * | 2022-04-29 | 2022-07-22 | 广东技术师范大学 | 一种基于物联网的海洋异常信息监测方法和装置 |
-
2022
- 2022-09-19 CN CN202211135629.8A patent/CN115337018B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120209131A1 (en) * | 2011-02-11 | 2012-08-16 | AventuSoft, LLC | Method and System of a Cardio-acoustic Classification system for Screening, Diagnosis and Monitoring of Cardiovascular Conditions |
| US9433365B1 (en) * | 2012-07-26 | 2016-09-06 | National Yang-Ming University | System and method for indentifying rotors in fractionated signals in persistent atrial fibrillation ablation |
| US9380948B1 (en) * | 2013-07-25 | 2016-07-05 | Men-Tzung Lo | System and method for quantitative analysis of respiratory sinus arrhythmia |
| CN106709414A (zh) * | 2015-11-18 | 2017-05-24 | 财团法人交大思源基金会 | 生理信号量测系统及其方法 |
| CN108537100A (zh) * | 2017-11-17 | 2018-09-14 | 吉林大学 | 一种基于pca和lda分析的心电信号身份识别方法及系统 |
| CN109998527A (zh) * | 2019-04-09 | 2019-07-12 | 湖北工业大学 | 一种基于多尺度熵的心脏疾病检测方法 |
| CN110558973A (zh) * | 2019-09-06 | 2019-12-13 | 江苏华康信息技术有限公司 | 一种基于极值能量分解法的心电图信号量化分析方法 |
| CN111449645A (zh) * | 2020-03-07 | 2020-07-28 | 河南大学 | 心电图心拍智能分类识别方法 |
| CN114052744A (zh) * | 2021-11-02 | 2022-02-18 | 西安电子科技大学重庆集成电路创新研究院 | 基于脉冲神经网络的心电信号分类方法 |
| CN114176550A (zh) * | 2021-12-28 | 2022-03-15 | 深圳云天励飞技术股份有限公司 | 心率数据分类方法、装置、设备及存储介质 |
| CN114469124A (zh) * | 2022-01-30 | 2022-05-13 | 北京理工大学 | 一种运动过程中异常心电信号的识别方法 |
| CN114782871A (zh) * | 2022-04-29 | 2022-07-22 | 广东技术师范大学 | 一种基于物联网的海洋异常信息监测方法和装置 |
Non-Patent Citations (5)
| Title |
|---|
| AMIT J. NIMUNKAR等: "R-peak Detection and Signal Averaging for Simulated Stress ECG using EMD", 《2007 29TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY》 * |
| 周杨珺等: "基于频谱相对熵的配电网故障选线方法", 《广西电力》, vol. 38, no. 5, pages 5 - 9 * |
| 李亚等: "妊娠合并心血管疾病患者多学科诊治综合管理", 《人民军医》, vol. 63, no. 7, pages 716 - 722 * |
| 沈钟婷等: "基于改进EMD去噪和矩阵束的电力系统低频振荡模态辨识", 《应用科学学报》, vol. 37, no. 6, pages 761 - 774 * |
| 秦榛等: "基于改进HHT的故障电流相位抗干扰提取", 《电力信息与通信技术》, vol. 20, no. 2, pages 69 - 75 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116503673A (zh) * | 2023-06-26 | 2023-07-28 | 亿慧云智能科技（深圳）股份有限公司 | 一种基于心电图的心律失常识别检测方法及系统 |
| CN116503673B (zh) * | 2023-06-26 | 2023-09-19 | 亿慧云智能科技（深圳）股份有限公司 | 一种基于心电图的心律失常识别检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115337018B (zh) | 2024-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Anwar et al. | Arrhythmia classification of ECG signals using hybrid features | |
| US11617528B2 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
| 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 | |
| CN106815570B (zh) | 一种基于动态模式识别的心电信号st-t段识别方法 | |
| WO2021071646A1 (en) | Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems | |
| Singhal et al. | A systematic review on artificial intelligence-based techniques for diagnosis of cardiovascular arrhythmia diseases: challenges and opportunities | |
| Ajitkumar Singh et al. | Heart abnormality classification using PCG and ECG recordings | |
| CN115337018B (zh) | 基于整体动态特征的心电信号分类方法及系统 | |
| Subramanyan et al. | A novel deep neural network for detection of Atrial Fibrillation using ECG signals | |
| Dey et al. | Deep learning algorithms for efficient analysis of ecg signals to detect heart disorders | |
| Ansari et al. | Estimating age and gender from electrocardiogram signals: A comprehensive review of the past decade | |
| Madona et al. | Classification of ECG signals using the Naïve Bayes classification method and its implementation in android-based smart health care | |
| Fathail et al. | Ecg paper digitization and r peaks detection using fft | |
| CN116504398A (zh) | 用于使用基于变换器的神经网络来进行心律失常预测的方法和系统 | |
| Jothiramalingam et al. | Review of Computational Techniques for the Analysis of Abnormal Patterns of ECG Signal Provoked by Cardiac Disease. | |
| CN110786847B (zh) | 心电信号的建库方法和分析方法 | |
| Hu et al. | A lightweight U-Net model for denoising and noise localization of ECG signals | |
| Lomoio et al. | DCAE-SR: Design of a Denoising Convolutional Autoencoder for reconstructing Electrocardiograms signals at Super Resolution. | |
| CN114081502B (zh) | 一种基于机器学习的非侵入性心脏病诊断方法和装置 | |
| Krishnan et al. | Arrhythmia detection—An Enhanced Method Using Gramian Angular Matrix for Deep Learning | |
| Siekierski et al. | Heart beats classification method using a multi-signal ECG spectrogram and convolutional neural network with residual blocks | |
| Radiuk et al. | A Novel Feature Vector for ECG Classification using Deep Learning | |
| Li et al. | Detection of Premature Ventricular Contractions using 12-lead Dynamic ECG based on Squeeze-Excitation Residual Network | |
| Ni | Enhanced IoT-Based Electrocardiogram Monitoring System with Deep Learning | |
| Li et al. | Two3-AnoECG: ECG anomaly detection with two-stream networks and two-stage training using two double-throw switches |
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 |