CN115985505A - 多维度融合的心肌缺血辅助诊断模型及其构建方法 - Google Patents
多维度融合的心肌缺血辅助诊断模型及其构建方法 Download PDFInfo
- Publication number
- CN115985505A CN115985505A CN202310061226.1A CN202310061226A CN115985505A CN 115985505 A CN115985505 A CN 115985505A CN 202310061226 A CN202310061226 A CN 202310061226A CN 115985505 A CN115985505 A CN 115985505A
- Authority
- CN
- China
- Prior art keywords
- video
- magnetocardiogram
- network model
- model
- myocardial ischemia
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 50
- 208000031225 myocardial ischemia Diseases 0.000 title claims abstract description 40
- 238000010276 construction Methods 0.000 title claims description 10
- 230000004927 fusion Effects 0.000 title description 6
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000013499 data model Methods 0.000 abstract 1
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005290 field theory Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了多维度融合的心肌缺血辅助诊断模型构建方法，包括：采集病人的基本信息、心磁信号和诊断信息；提取心磁信号的信号特征，并将心磁信号作为输入，诊断信息作为输出，对信号分类网络模型进行训练，得到训练好的信号分类网络模型；将心磁信号进行空间重建，得到心磁视频；提取心磁视频的视频特征，并将心磁视频作为输入，诊断信息作为输出，对视频分类网络模型进行训练，得到训练好的视频分类网络模型；将基本信息、信号特征、训练好的信号分类网络模型、视频特征和训练好的视频分类网络模型融合，得到心肌缺血辅助诊断模型。本发明构建的诊断模型，对比单一维度数据模型，大大提升了检测效率，提高了模型检测准确度。
Description
技术领域
本发明涉及心磁图数据分析领域。更具体地说，本发明涉及一种多维度融合的心肌缺血辅助诊断模型及其构建方法。
背景技术
心磁图是一种通过检测人体心脏电活动产生的磁场而进行成像分析的新型心脏疾病诊断方法，心磁图中包含很多传统心电图无法体现的电生理信息，呈现出更好的灵敏度和早期诊断能力，在冠心病、心肌缺血等方面具有良好的应用潜力。
心磁图对心肌缺血等疾病预测的灵敏度和可靠性直接依赖于数据解读。现有的心磁图解读方法大多依赖于医生人工分类，人力成本高、效率低、时间长，准确度也极大地受医生经验影响和限制，使得基于心磁图的心肌缺血临床诊断具有滞后性和准确度不够的问题，容易延误患者病情。采用机器学习方法对病例的心磁图特征数据进行挖掘，构建心肌缺血预测模型，可极大提高基于心磁图的心肌缺血分类效率，同时减免因为医生经验不足而导致的漏检和误检。但是，现有的机器学习方法只是对一维的心磁信号数据进行构建自动分类模型，这些模型大多是基于单一维度的数据使用单一模型实现分类功能，分类准确度还有很大提升空间。
发明内容
本发明的一个目的是提供一种多维度融合的心肌缺血辅助诊断模型及其构建方法，以解决现有心磁图的人工分类方法效率较低且准确度受分析人员经验影响，以及传统机器学习方法分类准确度低的问题，使得心肌缺血临床诊断的算法分类准确率结果大幅优于临床医生的诊断结果以及其他方法的诊断结果，临床上用于辅助医生进行更加快速准确的心肌缺血筛查诊断。
为了实现本发明的目的和其它优点，提供了一种多维度融合的心肌缺血辅助诊断模型构建方法，包括：
采集病人的基本信息、心磁信号和诊断信息；
提取所述心磁信号的信号特征，并将所述心磁信号作为输入，所述诊断信息作为输出，对信号分类网络模型进行训练，得到训练好的信号分类网络模型；
将所述心磁信号进行空间重建，得到心磁视频；
提取所述心磁视频的视频特征，并将所述心磁视频作为输入，所述诊断信息作为输出，对视频分类网络模型进行训练，得到训练好的视频分类网络模型；
将所述基本信息、信号特征、训练好的信号分类网络模型、视频特征和训练好的视频分类网络模型融合，得到所述心肌缺血辅助诊断模型。
优选的是，所述的多维度融合的心肌缺血辅助诊断模型构建方法，还包括：对采集到的所述心磁信号进行预处理，所述预处理包括去除噪声和片段分割。
优选的是，所述的多维度融合的心肌缺血辅助诊断模型构建方法，所述信号特征包括时域特征、频域特征、信息特征。
优选的是，所述的多维度融合的心肌缺血辅助诊断模型构建方法，所述信号分类网络模型为基于TranSformer的时序网络模型以及基于Resnet的CNN1D空间网络模型。
优选的是，所述的多维度融合的心肌缺血辅助诊断模型构建方法，所述视频特征包括T峰的磁场角度，T峰的电流角度，R峰的磁场角度，R-T峰之间的磁场角度变化，QRS波的磁场角度变化。
优选的是，所述的多维度融合的心肌缺血辅助诊断模型构建方法，所述视频分类网络模型为基于TimeSformer的无卷积时序视频分类网络模型以及基于Resnet3D改良的三维卷积神经网络模型。
优选的是，所述的多维度融合的心肌缺血辅助诊断模型构建方法，将所述心磁视频输入所述基于Resnet3D改良的三维卷积神经网络模型前，还包括：采用公式1对所述心磁视频中的红色通道和蓝色通道赋值，进行特征增强以及降维处理，得到三维矩阵A；，再采用公式2对特征增强及降维后得到的三维矩阵A进行归一化处理，得到归一化处理后的三维矩阵B；将所述三维矩阵B作为所述基于Resnet3D改良的三维卷积神经网络模型的输入，其中，公式1为output＝R*n+G+B*(-n)，式中，R，G，B分别是红色、绿色和蓝色三个颜色通道上的0-255的数值，n为一常数；公式2为
式中，x为公式1中的output值。
优选的是，所述的多维度融合的心肌缺血辅助诊断模型构建方法，采用岭回归或树模型的机器学习方法对所述基本信息、信号特征、训练好的信号分类网络模型、视频特征和训练好的视频分类网络模型进行融合，得到所述心肌缺血辅助诊断模型。
本发明还提供了一种多维度融合的心肌缺血辅助诊断模型，其由上述构建方法构建得到。
本发明至少包括以下有益效果：
第一、本发明分别采用信号分类网络模型和视频分类网络模型对心磁信号和心磁视频进行分类，并融合病人的基本信息、心磁信号的信号特征和心磁视频的视频特征，构建心肌缺血辅助诊断模型，有效提高了诊断模型的灵敏度和分类准确度。
第二、本发明针对目前患有心血管疾病的心磁图数据量极度缺少的问题，在目标模型的构建过程中，结合心磁图两个维度(心磁信号和心磁视频)的深度学习特征以及其传统统计学特征：一方面使用深度学习网络自动学习给定抽象特征，另一方面使用传统统计学人为构造数字特征，采用岭回归或树模型的方法实现两个维度上的两种数值特征的高效融合，实现对少数据量情况下心磁图特征的深度学习网络特征挖掘。
第三、本发明基于心磁视频仅有红、绿、蓝三种有限颜色显示的特殊性，通过整合RGB通道对心磁视频进行了特征增强，加深了红色和蓝色正负极之间的关系，同时，将心磁视频由四维数组(视频长度，图像高，图像宽，颜色)降维成三维数组(视频长度，图像高，图像宽)，以便使用三维卷积神经网络来更加有效的提取心磁视频的时空特征，得到更高的分类准确度。
第四、采用本发明构建的心肌缺血辅助诊断模型，针对心磁图中T-T段的异常分类，在现有的测试集上，模型训练结果可以达到非常高的准确率，大大超过预期效果及现有的基于一维的心磁信号数据的机器学习方法，证实本发明的心肌缺血辅助诊断模型对于心磁图心肌缺血的辅助诊断应用具有极大帮助。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1是本发明一个实施例的构建方法的整体流程图；
图2是本发明一个实施例的分类网络的整体框图；
图3是本发明一个实施例的心磁信号分类网络框图；
图4是本发明一个实施例的心磁视频分类网络框图。
具体实施方式
下面结合实施例和附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
需要说明的是，下述实施方案中所述实验方法，如无特殊说明，均为常规方法，所述材料，如无特殊说明，均可从商业途径获得。
如图1-图4所示，本发明提供一种多维度融合的心肌缺血辅助诊断模型构建方法，包括：
(1)通过心磁图仪采集病人的年龄、性别、病史情况等基本信息、原始心磁图信号和诊断信息；
(2)对采集到的原始心磁图信号进行预处理，包括去除噪声和片段分割，片段分割是把去噪后的心磁图信号按照QRS段前，QRS段，ST段，T-T段，T-T段后切分，提取出5个片段；通过人眼观察分析、结合诊断信息，把对应心磁图信号的T-T段数据分成正常的心磁数据和异常的心磁数据，得到36个通道的心磁信号。
(3)针对心磁信号，首先，通过统计学方法提取心磁信号的信号特征，包括时域特征、频域特征和信息特征。如R波特征：在某个通道定位R波，提取R波的最大值，最小值，均值，方向等特征；ST波特征：先定位R波，再定位S波，T波，ST差值的最大值，最小值，均值，方差等特征；HRV特征：先定位R波，再提取RR间期标准差、最大/最小/平均RR间期、R波密度、RR间期采样熵、pNN50、RMSSD等特征；HOS特征：高阶统计量特征，研究表明2-4阶累积量是很好的形态学描述符，将每个通道的数据切割为n段，计算每段上的平均峰值和偏度作为特征；1D-LBP特征：局部二值模式的1D变体，1D版本维持了原始2D版本的思想，对于每个心磁信号中的每个数据点，通过将其值与其左右邻域为4的值进行比较来生成二进制码，然后基于二进制码的频率构建统计直方图。信号特征提取方法为现有技术，这里不再赘述。其次，构建针对心磁信号的模型网络，一是，考虑心磁信号数据的时序性，需要提取其信号时序特征，基于Transformer模型构建时序神经网络。将心磁信号序列经过输入编码和位置编码输入6个堆叠的编码器层，每一层都是由多头自注意力层和前馈神经网络层两个子层构成，两个子层输出都经过了残差连接和层归一化。Transformer的自注意力机制将不同时间切片的心磁信号特征进行计算权重，寻找序列之间不同角度之间的关联关系，最后拼接将不同子空间中捕获的关系综合起来。二是，考虑心磁信号不同导联间的相似性，在Resnet模型的基础上，基于心磁信号特点，对Resnet进行改良，使用BN+Relu+Conv的结构替代Conv+BN+Relu的结构，添加SE-net结构块，采用多尺度网络捕捉不同尺度的特征，构建基于Resnet的MCG-CNN1D模型，以提升模型的效果。模型初期将一维的心磁信号当作二维数据处理，在不同导联采用相同的卷积核，提取不同导联的共性特征，后期将不同导联提取的特征合并，重新转变为一维数据。处理一维的心磁信号时，前期采用较长的卷积核，随着特征图尺寸的减小，减小卷积核的长度。将一维的心磁信号分别输入基于Resnet的MCG-CNN1D模型以及Transformer中，以该一维心磁信号对应的标记结果(正常的心磁数据和异常的心磁数据)作为输出，对模型进行调参和优化，筛选出心磁信号训练得到的最优模型。
(4)将心磁信号根据磁场强度使用二维传感器图像插值重建算法进行空间重建，得到连续90秒的心磁视频，心磁视频可以直观的显示出36个通道的位置信息，以及磁场的变化趋势，同时可以通过电磁场理论反解得到伪电流密度图。
(5)针对心磁视频，首先，通过统计学方法提取心磁视频的特征，整合36个通道的心磁信号，计算得到36个通道的平均片段并进行对准，得到T峰的磁场角度，T峰的电流角度，R峰的磁场角度，R-T峰之间的磁场角度变化，QRS波的磁场角度变化等视频特征。视频特征提取方法为现有技术，这里不再赘述。其次，构建针对心磁视频的模型网络，一是，采用针对视频的无卷积视频分类模型，基于TimeSformer(Time-Space Transformer)使用ViT网络结构作为模型主干网络(backbone)，提出时空自注意力机制代替传统的卷积网络，对一系列帧极图像块进行时空特征提取，适配视频任务。TimeSformer的输入为心磁视频数据片段，该片段由F个从视频中采样的大小为W*H的图片帧组成。将每一帧的图像分割成N个不重叠的图像块，每个图像块的大小为P*P。因为要确保每一帧被划分为N个不重叠的图像块，因此N的计算方式为：N＝W*H/P2。将每一个图像块通过一个线性嵌入层转化为向量，对每个图像块的位置信息进行编码。以两个图像块的步长对整个视频片段沿时间维度和空间维度计算稀疏全局注意力。最终经过多层感知机层(MLP)处理后得到视频数据分类模块的预测结果。二是，心磁视频是图像叠加时间段的四维数组(视频长度，图像高，图像宽，颜色)，针对心磁视频图像的特殊性，通过融合颜色RGB通道，赋值红色通道和蓝色通道，以及进行归一化处理，对心磁图图像数据进行了降维处理。具体的，采用公式1对心磁视频中的红色通道和蓝色通道赋值，加深红色和蓝色正负极之间的关系，进行特征增强以及降维处理，得到三维RGB矩阵数据(视频长度，图像高，图像宽)，再采用公式2对所述三维RGB矩阵数据进行归一化处理，得到归一化处理后的三维归一化矩阵数据，其中，公式1为output＝R*n+G+B*(-n)，式中，R，G，B分别是红色、绿色和蓝色三个颜色通道上的0-255的数值，n为一常数；公式2为
式中，x为公式1中的output值。将归一化处理后的三维归一化矩阵数据输入基于Resnet3D改良的三维卷积神经网络模型(采用二元交叉熵损失，添加L2正则化，使用Adam/SGD的优化器)，以及将原始心磁视频输入视频时序分类网络模型TimeSformer中，以该心磁视频对应的标记结果(正常的心磁数据和异常的心磁数据)作为输出，分别对模型进行调参和优化，筛选出心磁视频训练得到的最优模型。
(6)将采集到的基本信息，提取到的信号特征和视频特征，以及训练好的基于心磁图信号的信号分类网络的时序网络模型Transformer和基于Resnet的MCG-CNN1D空间网络的最优模型，以及基于TimeSformer的无卷积时序视频分类网络模型和基于Resnet3D改良的三维卷积神经网络的最优模型，采用岭回归或树模型的机器学习方法进行融合，即得到最终心肌缺血辅助诊断模型。
本发明还提供了一种多维度融合的心肌缺血辅助诊断模型，其由上述构建方法构建得到。
本发明所述的实施例可以由硬件、软件、固件、中间件、微代码或其任意组合来实现。对于硬件实现方式，处理单元可以在一个或多个专用集成电路、数字信号处理器、数字信号处理器件、可编程逻辑器件、现场可编辑门阵列，处理器、控制器、微控制器，微处理器、被设计以执行本发明所述功能的其他电子单元、或其组合内实现。当以软件、固件、中间件或微代码、程序代码或代码段来实现实施例时，可以将它们存储在诸如存储组件的机器可读介质中。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。
Claims (9)
1.多维度融合的心肌缺血辅助诊断模型构建方法，其特征在于，包括：
采集病人的基本信息、心磁信号和诊断信息；
提取所述心磁信号的信号特征，并将所述心磁信号作为输入，所述诊断信息作为输出，对信号分类网络模型进行训练，得到训练好的信号分类网络模型；
将所述心磁信号进行空间重建，得到心磁视频；
提取所述心磁视频的视频特征，并将所述心磁视频作为输入，所述诊断信息作为输出，对视频分类网络模型进行训练，得到训练好的视频分类网络模型；
将所述基本信息、信号特征、训练好的信号分类网络模型、视频特征和训练好的视频分类网络模型进行融合，得到所述心肌缺血辅助诊断模型。
2.如权利要求1所述的多维度融合的心肌缺血辅助诊断模型构建方法，其特征在于，还包括：对采集到的所述心磁信号进行预处理，所述预处理包括去除噪声和片段分割。
3.如权利要求1所述的多维度融合的心肌缺血辅助诊断模型构建方法，其特征在于，所述信号特征包括时域特征、频域特征、信息特征。
4.如权利要求1所述的多维度融合的心肌缺血辅助诊断模型构建方法，其特征在于，所述信号分类网络模型为基于Transformer的时序网络模型以及基于Resnet的CNN1D空间网络模型。
5.如权利要求1所述的多维度融合的心肌缺血辅助诊断模型构建方法，其特征在于，所述视频特征包括T峰的磁场角度，T峰的电流角度，R峰的磁场角度，R-T峰之间的磁场角度变化，QRS波的磁场角度变化。
6.如权利要求1所述的多维度融合的心肌缺血辅助诊断模型构建方法，其特征在于，所述视频分类网络模型为基于TimeSformer的无卷积时序视频分类网络模型以及基于Resnet3D改良的三维卷积神经网络模型。
7.如权利要求6所述的多维度融合的心肌缺血辅助诊断模型构建方法，其特征在于，将所述心磁视频输入所述基于Resnet3D改良的三维卷积神经网络模型前，还包括：采用公式1对所述心磁视频中的红色通道和蓝色通道赋值，进行特征增强以及降维处理，得到三维矩阵A；，再采用公式2对特征增强及降维后得到的三维矩阵A进行归一化处理，得到归一化处理后的三维矩阵B；将所述三维矩阵B作为所述基于Resnet3D改良的三维卷积神经网络模型的输入，其中，公式1为output＝R*n+G+B*(-n)，式中，R，G，B分别是红色、绿色和蓝色三个颜色通道上的0-255的数值，n为一常数；公式2为
式中，x为公式1中的output值。
8.如权利要求1所述的多维度融合的心肌缺血辅助诊断模型构建方法，其特征在于，采用岭回归或树模型的机器学习方法对所述基本信息、信号特征、训练好的信号分类网络模型、视频特征和训练好的视频分类网络模型进行融合，得到所述心肌缺血辅助诊断模型。
9.多维度融合的心肌缺血辅助诊断模型，其特征在于，其由如权利要求1-8任一所述的构建方法构建得到。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310061226.1A CN115985505B (zh) | 2023-01-19 | 2023-01-19 | 多维度融合的心肌缺血辅助诊断模型及其构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310061226.1A CN115985505B (zh) | 2023-01-19 | 2023-01-19 | 多维度融合的心肌缺血辅助诊断模型及其构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115985505A true CN115985505A (zh) | 2023-04-18 |
| CN115985505B CN115985505B (zh) | 2023-12-12 |
Family
ID=85967988
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310061226.1A Active CN115985505B (zh) | 2023-01-19 | 2023-01-19 | 多维度融合的心肌缺血辅助诊断模型及其构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115985505B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116584951A (zh) * | 2023-04-23 | 2023-08-15 | 山东省人工智能研究院 | 一种基于弱监督学习的心电信号检测和定位方法 |
| CN116824272A (zh) * | 2023-08-10 | 2023-09-29 | 湖北工业大学 | 基于旋转特征的特征增强目标检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015142029A1 (ko) * | 2014-03-21 | 2015-09-24 | 한국표준과학연구원 | 3차원 심장 윤곽 재구성 방법 |
| CN108245152A (zh) * | 2018-01-11 | 2018-07-06 | 中国科学院上海微系统与信息技术研究所 | 一种心肌缺血特征参数提取方法及系统、存储介质及终端 |
| CN108281184A (zh) * | 2018-02-01 | 2018-07-13 | 中国科学院上海微系统与信息技术研究所 | 基于机器学习的心肌缺血预诊方法、存储介质及电子设备 |
| CN108577825A (zh) * | 2018-01-11 | 2018-09-28 | 中国科学院上海微系统与信息技术研究所 | 一种心肌缺血病变位置定位方法及系统、存储介质及终端 |
| CN113095428A (zh) * | 2021-04-23 | 2021-07-09 | 西安交通大学 | 一种融合脑电和刺激源信息的视频情感分类方法及系统 |
| CN113171105A (zh) * | 2021-04-25 | 2021-07-27 | 安徽十锎信息科技有限公司 | 基于集成cnn的心肌缺血的识别分类方法 |
-
2023
- 2023-01-19 CN CN202310061226.1A patent/CN115985505B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015142029A1 (ko) * | 2014-03-21 | 2015-09-24 | 한국표준과학연구원 | 3차원 심장 윤곽 재구성 방법 |
| CN108245152A (zh) * | 2018-01-11 | 2018-07-06 | 中国科学院上海微系统与信息技术研究所 | 一种心肌缺血特征参数提取方法及系统、存储介质及终端 |
| CN108577825A (zh) * | 2018-01-11 | 2018-09-28 | 中国科学院上海微系统与信息技术研究所 | 一种心肌缺血病变位置定位方法及系统、存储介质及终端 |
| CN108281184A (zh) * | 2018-02-01 | 2018-07-13 | 中国科学院上海微系统与信息技术研究所 | 基于机器学习的心肌缺血预诊方法、存储介质及电子设备 |
| CN113095428A (zh) * | 2021-04-23 | 2021-07-09 | 西安交通大学 | 一种融合脑电和刺激源信息的视频情感分类方法及系统 |
| CN113171105A (zh) * | 2021-04-25 | 2021-07-27 | 安徽十锎信息科技有限公司 | 基于集成cnn的心肌缺血的识别分类方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李英梅: "心磁图在冠心病诊断及治疗后监测中的临床应用", 心血管病学进展, no. 03 * |
| 艾海明;PRIMIN MYKHAILO;米旺;吴红金;: "基于心磁信号的电流密度分析方法研究", 中国生物医学工程学报, no. 02 * |
| 艾海明;郭明;董黎明;吴红金;: "基于心磁信号的关键算法研究进展", 中国医学装备, no. 07 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116584951A (zh) * | 2023-04-23 | 2023-08-15 | 山东省人工智能研究院 | 一种基于弱监督学习的心电信号检测和定位方法 |
| CN116584951B (zh) * | 2023-04-23 | 2023-12-12 | 山东省人工智能研究院 | 一种基于弱监督学习的心电信号检测和定位方法 |
| CN116824272A (zh) * | 2023-08-10 | 2023-09-29 | 湖北工业大学 | 基于旋转特征的特征增强目标检测方法 |
| CN116824272B (zh) * | 2023-08-10 | 2024-02-13 | 湖北工业大学 | 基于旋转特征的特征增强目标检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115985505B (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115985505B (zh) | 多维度融合的心肌缺血辅助诊断模型及其构建方法 | |
| Li et al. | Dilated-inception net: multi-scale feature aggregation for cardiac right ventricle segmentation | |
| Jain et al. | Detection of abnormality in wireless capsule endoscopy images using fractal features | |
| CN110751636B (zh) | 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法 | |
| CN110889448A (zh) | 一种基于卷积神经网络的心电分类方法 | |
| Souaidi et al. | A new automated polyp detection network MP-FSSD in WCE and colonoscopy images based fusion single shot multibox detector and transfer learning | |
| Wang et al. | Automatic digital ECG signal extraction and normal QRS recognition from real scene ECG images | |
| WO2022086910A1 (en) | Anatomically-informed deep learning on contrast-enhanced cardiac mri | |
| Tripathi et al. | A framework with OTSU’S thresholding method for fruits and vegetables image segmentation | |
| CN116189902B (zh) | 基于心磁图视频数据的心肌缺血预测模型及其构建方法 | |
| Badeka et al. | Evaluation of LBP variants in retinal blood vessels segmentation using machine learning | |
| Tyagi et al. | An amalgamation of vision transformer with convolutional neural network for automatic lung tumor segmentation | |
| Zahra et al. | An integrated framework of two-stream deep learning models optimal information fusion for fruits disease recognition | |
| Pundikal et al. | Detection of Microaneurysms Using Grey Wolf Optimization for Early Diagnosis of Diabetic Retinopathy. | |
| Neelakanteswara et al. | Computer based advanced approach for MRI image classification using neural network with the texture features extracted | |
| Gheshlaghi et al. | A superpixel segmentation based technique for multiple sclerosis lesion detection | |
| Hsu et al. | Simple 2D Convolutional Neural Network-based Approach for COVID-19 Detection | |
| Mishra et al. | Convolutional Neural Network Method for Effective Plant Disease Prediction | |
| Zhang et al. | T-Net: Hierarchical Pyramid Network for Microaneurysm Detection in Retinal Fundus Image | |
| Frasca et al. | A comparison of neural network approaches for melanoma classification | |
| UmaMaheswaran et al. | Enhanced non-contrast computed tomography images for early acute stroke detection using machine learning approach | |
| Sayamov | Weakly supervised learning for retinal lesion detection | |
| Subramani et al. | An Effective Supervised Machine Learning Approach for Indian Native Chicken’s Gender and Breed Classification | |
| CN116740041B (zh) | 基于机器视觉的cta扫描图像分析系统及其方法 | |
| Ara et al. | Novel approach of brain tumor segmentation using convolutional neural network hybridized with water cycle algorithm |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20230418 Assignee: Beijing Weici Medical Technology Co.,Ltd. Assignor: Beijing Weici Technology Co.,Ltd. Contract record no.: X2023990000766 Denomination of invention: A Multidimensional Fusion Assisted Diagnosis Model for Myocardial Ischemia and Its Construction Method License type: Common License Record date: 20230822 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |