CN116091489B - 基于深度学习的心电图图像识别方法及其系统 - Google Patents
基于深度学习的心电图图像识别方法及其系统 Download PDFInfo
- Publication number
- CN116091489B CN116091489B CN202310212795.1A CN202310212795A CN116091489B CN 116091489 B CN116091489 B CN 116091489B CN 202310212795 A CN202310212795 A CN 202310212795A CN 116091489 B CN116091489 B CN 116091489B
- Authority
- CN
- China
- Prior art keywords
- electrocardiographic
- image
- segment
- segments
- electrocardiogram
- 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.)
- Active
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
- A61B5/358—Detecting ST segments
-
- 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
- A61B5/35—Detecting specific parameters of the electrocardiograph cycle by template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Cardiology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像数据识别技术领域,尤其涉及一种基于深度学习的心电图图像识别方法及其系统,本发明通过根据机器模型对ST段异常的心电图图像分类不准确的技术问题,创造性地根据ST段是否异常对心电图图像进行粗分类成简单类别和复杂类别,针对不同的心电图图像类型选择不同的分类方法,在保证心电图图像识别精度的同时,提高心电图图像识别的效率,以更好满足患者及时获取信息的需求;同时,本发明对ST段异常的心电图图像片段进行分类时,创造性地通过多个ST段异常的心电图图像片段作为训练集,这样可有效提高模型中各参数的训练准确率,从而使得训练得到的模型分类精度更高。
Description
技术领域
本发明属于图像数据识别技术领域,尤其涉及一种基于深度学习的心电图图像识别方法及其系统。
背景技术
随着人民生活质量和医疗水平的不断提高,人口老龄化程度亦愈发严重,加之不健康的饮食生活习惯,导致心血管病患病率处于逐年上升的阶段,己成为危害人体生命健康的“头号杀手”,近年来,利用大数据和现代计算资源的深度学习改变了许多研究领域。临床设备中产生的大量数字化心电数据很好地满足了应用深度学习的先决条件,并引发了各种各样的心电研究。
例如,中国发明专利(CN 114648049 A)公开了一种心电图像分类模型构建和分类的方法,包括:获取心电信号及其特征分类标签,根据所述心电信号绘制心电图像,构建各个特征分类标签下的心电图数据集;对所述心电图数据集中的心电图像进行预处理,并通过随机分类法将所述心电图数据集分为训练集、验证集和测试集;构建深度神经网络模型,基于所述训练集和验证集对其进行训练优化获得初始心电分类神经网络模型;基于所述测试集对所述初始心电分类神经网络模型进行模型测试,获得目标心电图像分类模型;然而,上述对心电图图像不加以区分就通过深度学习模型对心电图图像分类,一方面由于深度学习模型为一种复杂机器训练与学习模型,将所有的心电图图像均通过复杂的深度学习模型进行图像识别,这无疑将花费较多的时间,使得心电图分类效率较低,不能很好满足患者的及时获取信息的需求;另一方面,对心电图图像不加以分类即作为深度学习模型的训练集图像进行训练,这导致针对ST段异常的心电图识别精度较差。
因此,现有技术急需一种能快速且准确的对心电图图像进行识别的技术方案。
发明内容
本发明要解决的技术问题是针对上述技术方案的不足,提供一种基于深度学习的心电图图像识别方法和系统,首先对心电图图像进行判断,根据ST段是否异常对心电图图像进行粗分类成简单类别和复杂类别,针对不同的心电图图像类型选择不同的识别方法,在保证心电图图像识别精度的同时,提高心电图图像识别的效率,以更好满足患者及时获取信息的需求。
根据本发明的一个方面,一种基于深度学习的心电图图像识别方法,包括以下步骤:
步骤1:通过心电图采集仪采集心电图图像;
步骤2:对所述步骤1采集的心电图图像进行预处理,生成多个心电图图像片段;
步骤3:对所述心电图图像片段进行粗分类,分为简单图像片段类型和复杂图像片段类型;
步骤4:对所述简单心电图图像片段采用卷积神经网络模型进行识别;
步骤5:对所述复杂的心电图图像片段采用二维卷积神经网络模型进行识别。
优选地,可通过便携式心电功能检测仪进行心电图图像的采集;
优选地,所述步骤2具体包括:
步骤2.1:采用滑动分割法将所述心电图图像分为多个心电图图像片段;
优选地,将心电图图像中的心电图图形近似看为时长为n的电信号,采用长度为l的分割窗对心电图图形进行同等长度的分割,然后,向后移动一个长度r,连续滑动(n-l)/r次,即可形成(n-l)/r +1个同等长度的心电图图像片段。
步骤2.2:对所述多个心电图图像片段进行归一化处理;
值得强调地,本发明创造性地将所述心电图图像片段中的ST段是否异常作为粗分类的基准;
优选地,将所述心电图图像片段中的ST段与标准心电图图像片段中的ST段进行相似度比较,判断相似度值Th,根据相似度值将所述心电图图像片段粗分类为简单图像片段或者复杂图像片段;
更近一步地,若所述心电图图像片段中的ST段与标准心电图图像片段中的ST段的相似度Th>90:则将该心电图图像片段认定为简单图像片段;
若所述心电图图像片段中的ST段与标准心电图图像片段中的ST段的相似度Th≤90:则将该心电图图像片段认定为复杂图像片段;
更进一步地,通过卷积神经网络模型对所述简单图像片段进行分类,所述卷积神经网络模型包括:输入层、卷积层、激活层、池化层、全连接层;
更进一步地,所述输入层用于接收所述简单图像片段;
所述卷积层通过卷积运算来提取特征,所述卷积层输出特征图的高度计算公式为:
其中,Hout为输出特征图的高度,Hin为输入特征图的高度,Kh为卷积核的高度;P为补零列的数量;S为步长;
所述激活层用于引入非线性因素,本发明采用ReLU激活函数作为本模型的激活函数,所述卷积层的公式为:
其中,x为输入,max函数为取最大值函数,y为输出;
所述池化层用于降采样;本发明采用最大池化进行降采样操作;
所述全连接层用于最后的分类并输出分类结果,本发明采用softmax函数作为全连接层的识别函数。
优选地,所述识别结果为心电图正常、心电图异常、心电图有紧急异常。
更进一步地,通过二维卷积神经网络模型对所述复杂图像片段进行识别;优选地,所述二维卷积神经网络模型有三部分组成:预处理模块、特征提取模块和心电图图像识别模块。
所述对所述复杂的心电图图像片段采用二维卷积神经网络模型进行识别具体包括:
步骤5.1:通过长时傅里叶变换把所述复杂图像片段中的心电信号转换成频谱图;
步骤5.2:将所述频谱图放入预训练模型中进行预训练,并将预训练后的频谱图作为AlexNet模型的输入;
步骤5.3:将多个ST段异常的心电图图像片段作为训练集,训练AlexNet模型;
步骤5.4:将训练后的AlexNet模型用Softmax分类器对所述复杂图像片段进行心电图识别。
优选地,所述识别结果为心电图正常、心电图异常、心电图有紧急异常。
根据本发明的另一方面,本申请还包括一种基于深度学习的心电图图像识别系统,通过运行上述的基于深度学习的心电图图像识别方法,该系统包括:
心电图采集模块,用于通过心电图采集仪采集心电图图像;
预处理模块,用于对所述步骤1采集的心电图图像进行预处理;
粗分类模块,用于对所述心电图图像片段进行粗分类,分为简单图像片段和复杂图像片段;
简单图像片段识别模块,对所述简单图像片段采用卷积神经网络模型进行识别;
复杂图像片段识别模块,用于对所述复杂的心电图图像片段采用二维卷积神经网络模型进行识别。
根据本发明的另一方面,本申请还包括一种计算机可读存储介质,所述计算机可读存储介质上存储有数据处理程序,所述数据处理程序被处理器执行上述的一种基于深度学习的心电图图像识别方法。
基于上述技术方案,本申请提供的基于深度学习的心电图图像识别方法、系统,具有如下技术效果:
1、本发明通过根据机器模型对ST段异常的心电图图像分类不准确的技术问题,创造性地根据ST段是否异常对心电图图像进行粗分类成简单类别和复杂类别,针对不同的心电图图像类型选择不同的分类方法,在保证心电图图像识别精度的同时,提高心电图图像识别的效率,以更好满足患者及时获取信息的需求。
2、本发明对ST段异常的心电图图像片段进行识别时,创造性地通过多个ST段异常的心电图图像片段作为训练集,这样可有效提高模型中各参数的训练准确率,从而使得训练得到的模型分类精度更高。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的基于深度学习的心电图图像识别方法的流程图;
图2为本申请实施例提供的对采集的心电图图像进行预处理的流程图;
图3为本申请实施例提供的对心电图图像进行同等长度的分割的示意图;
图4为本申请实施例提供的对复杂心电图图像片段采用二维卷积神经网络模型进行识别的流程图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
实施例一,如图1所示, 一种基于深度学习的心电图图像识别方法,包括以下步骤:
步骤1:通过心电图采集仪采集心电图图像;
具体地,可通过便携式心电功能检测仪进行心电图图像的采集;
步骤2:对步骤1采集的心电图图像进行预处理,生成多个心电图图像片段;
具体地,如图2所示,步骤2具体包括:
步骤2.1:采用滑动分割法将心电图图像分为多个心电图图像片段;
具体地,如图3所示,将心电图图像中的心电图图形近似看为时长为n的电信号,采用长度为l的分割窗对心电图图形进行同等长度的分割,然后,向后移动一个长度r,连续滑动(n-l)/r次,即可形成(n-l)/r +1个同等长度的心电图图像片段。
步骤2.2:对多个心电图图像片段进行归一化处理;
不同的心电图图像产生的心电图图像片段可能存在背景色不同,分辨率不同的情况,因此,本实施例设置了归一化的预处理流程,对所有的心电图图像片段进行归一化处理,以提高后续心电图图像分类的准确度。
步骤3:对心电图图像片段进行粗分类,分为简单图像片段和复杂图像片段;
本实施例首先对心电图图像片段进行粗分类,分为简单图像片段和复杂图像片段,针对不同类型的图像片段采用不同的分类方式进行识别,比如说,针对简单的图像片段类型,则采用相对简单的识别方法进行识别,针对复杂类型的图像片段,则采用复杂的识别方法进行识别,这样即可满足在保证识别精度的前提下提高识别的效率。
发明人在对心电图图像进行识别时发现,一般采用机器模型对心电图图像识别时,心电图图像的ST段异常的图像识别效果较差,准确率较低,因此,本实施例创造性地将心电图图像片段中的ST段是否异常作为粗分类的基准;
具体地,将心电图图像片段中的ST段与标准心电图图像片段中的ST段进行相似度比较,判断相似度值Th,根据相似度值将心电图图像片段粗分类为简单图像片段或者复杂图像片段;
更近一步地,若心电图图像片段中的ST段与标准心电图图像片段中的ST段的相似度Th>90:则将该心电图图像片段认定为简单图像片段;
若心电图图像片段中的ST段与标准心电图图像片段中的ST段的相似度Th≤90:则将该心电图图像片段认定为复杂图像片段;
步骤4:对简单图像片段采用卷积神经网络模型进行识别;
本实施例在设置卷积神经网络模型时,通过减少部分参数量,降低特征分辨率等方式对模型进行精简,精简后的模型包括:输入层、卷积层、激活层、池化层、全连接层;
更进一步地,输入层用于接收简单心电图图像片段;
卷积层通过卷积运算来提取特征,卷积层输出特征图的高度计算公式为:
其中,Hout为输出特征图的高度,Hin为输入特征图的高度,Kh为卷积核的高度;P为补零列的数量;S为步长;
激活层用于引入非线性因素,本实施例采用ReLU激活函数作为本模型的激活函数,卷积层的公式为:
其中,x为输入,max函数为取最大值函数,y为输出;
池化层用于降采样;本实施例采用最大池化进行降采样操作;
全连接层用于最后的分类并输出识别结果,本实施例采用softmax函数作为全连接层的识别函数。
具体地,识别结果为心电图正常、心电图异常、心电图有紧急异常。
步骤5:对复杂图像片段采用二维卷积神经网络模型进行识别;
二维卷积神经网络模型相较于现有技术中常见的卷积神经网络模型,具有更复杂的分类流程,识别准确率较高,因此,本实施例采用二维卷积神经网络模型进行识别;
具体地,二维卷积神经网络模型主要有三部分组成:预处理模块、特征提取模块和心电图图像识别模块。
由图4所示,对复杂图像片段采用二维卷积神经网络模型进行识别具体包括:
步骤5.1:通过长时傅里叶变换把复杂心电图图像片段中的心电信号转换成频谱图;
步骤5.2:将频谱图放入预训练模型中进行预训练,并将预训练后的频谱图作为AlexNet模型的输入;
步骤5.3:通过多个ST段异常的心电图图像片段作为训练集,训练AlexNet模型;
本实施例创造性地通过多个ST段异常的心电图图像片段作为训练集,这样可有效提高模型中各参数的训练准确率,从而使得训练得到的模型分类精度更高。
步骤5.4:将训练后的AlexNet模型用Softmax分类器对复杂图像片段进行心电图识别。
具体地,识别结果为心电图正常、心电图异常、心电图有紧急异常。
实施例二,本发明还包括一种基于深度学习的心电图图像识别系统,识别系统采用实施例一种的心电图图像识别方法,包括:
心电图采集模块,用于通过心电图采集仪采集心电图图像;
预处理模块,用于对步骤1采集的心电图图像进行预处理;
粗分类模块,用于对心电图图像片段进行粗分类,分为简单图像片段和复杂图像片段;
简单图像片段识别模块,对简单心电图图像片段采用卷积神经网络模型进行识别;
复杂图像片段识别模块,用于对复杂的心电图图像片段采用二维卷积神经网络模型进行识别。
实施例三,本实施例包括一种计算机可读存储介质,计算机可读存储介质上存储有数据处理程序,数据处理程序被处理器执行实施例一的一种基于深度学习的心电图图像识别方法。
本领域技术人员应明白,本文的实施例可提供为方法、装置(设备)、或计算机程序产品。因此,本文可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质等。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
本文是参照根据本文实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (7)
1.一种基于深度学习的心电图图像识别方法,其特征在于,包括以下步骤:
步骤1:通过心电图采集仪采集心电图图像;
步骤2:对所述步骤1采集的心电图图像进行预处理,生成多个心电图图像片段;
步骤3:对所述心电图图像片段进行粗分类,分为简单图像片段和复杂图像片段;将所述心电图图像片段中的ST段是否异常作为粗分类的基准;
步骤4:对所述简单图像片段采用卷积神经网络模型进行识别;
步骤5:对所述复杂图像片段采用二维卷积神经网络模型进行识别;
所述步骤5具体包括:
步骤5.1:通过长时傅里叶变换把所述复杂图像片段中的心电信号转换成频谱图;
步骤5.2:将所述频谱图放入预训练模型中进行预训练,并将预训练后的频谱图作为AlexNet模型的输入;
步骤5.3:将多个ST段异常的心电图图像片段作为训练集,训练AlexNet模型;
步骤5.4:将训练后的AlexNet模型用Softmax分类器对所述复杂图像片段进行心电图识别;
将多个ST段异常的心电图图像片段作为训练集。
2.根据权利要求1所述的基于深度学习的心电图图像识别方法,其特征在于,所述步骤2具体包括:
步骤2.1:采用滑动分割法将所述心电图图像分为多个心电图图像片段;
步骤2.2:对所述多个心电图图像片段进行归一化处理。
3.根据权利要求2所述的基于深度学习的心电图图像识别方法,其特征在于,所述步骤2.1:采用滑动分割法将所述心电图图像分为多个心电图图像片段具体包括:
将心电图图像中的心电图图形看为时长为n的电信号,采用长度为l的分割窗对心电图图形进行同等长度的分割,然后,向后移动一个长度r,连续滑动(n-l)/r次,即可形成(n-l)/r +1个同等长度的心电图图像片段。
4.根据权利要求3所述的基于深度学习的心电图图像识别方法,其特征在于,若所述心电图图像片段中的ST段与标准心电图图像片段中的ST段的相似度Th>90:则将该心电图图像片段认定为简单图像片段;
若所述心电图图像片段中的ST段与标准心电图图像片段中的ST段的相似度Th≤90:则将该心电图图像片段认定为复杂图像片段。
5.根据权利要求1所述的基于深度学习的心电图图像识别方法,其特征在于,通过卷积神经网络模型对所述简单图像片段进行识别,所述卷积神经网络模型包括:输入层、卷积层、激活层、池化层、全连接层;
所述输入层用于接收所述简单图像片段;
所述卷积层通过卷积运算来提取特征,所述卷积层输出特征图的高度计算公式为:
其中,Hout为输出特征图的高度,Hin为输入特征图的高度,Kh为卷积核的高度;P为补零列的数量;S为步长;
所述激活层用于引入非线性因素,采用ReLU激活函数作为模型的激活函数,所述卷积层的公式为:
其中,x为输入,max函数为取最大值函数,y为输出;
所述池化层用于降采样;采用最大池化进行降采样操作;
所述全连接层用于最后的分类并输出分类结果,采用softmax函数作为全连接层的分类函数。
6.一种基于深度学习的心电图图像识别系统,通过运行权利要求1-5任一项所述的基于深度学习的心电图图像识别方法,该系统包括:
心电图采集模块,用于通过心电图采集仪采集心电图图像;
预处理模块,用于对所述步骤1采集的心电图图像进行预处理;
粗分类模块,用于对所述心电图图像片段进行粗分类,分为简单图像片段和复杂图像片段;
简单图像片段识别模块,对所述简单图像片段采用卷积神经网络模型进行分类识别;
复杂图像片段识别模块,用于对所述复杂图像片段采用二维卷积神经网络模型进行识别。
7.一种计算机可读存储介质,所述计算机可读存储介质上存储有数据处理程序,所述数据处理程序被处理器执行权利要求1-6任一项所述的一种基于深度学习的心电图图像识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310212795.1A CN116091489B (zh) | 2023-03-08 | 2023-03-08 | 基于深度学习的心电图图像识别方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310212795.1A CN116091489B (zh) | 2023-03-08 | 2023-03-08 | 基于深度学习的心电图图像识别方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116091489A CN116091489A (zh) | 2023-05-09 |
CN116091489B true CN116091489B (zh) | 2023-06-30 |
Family
ID=86187060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310212795.1A Active CN116091489B (zh) | 2023-03-08 | 2023-03-08 | 基于深度学习的心电图图像识别方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116091489B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021057328A1 (zh) * | 2019-09-24 | 2021-04-01 | 上海数创医疗科技有限公司 | 基于特征选取的st段分类卷积神经网络及其使用方法 |
CN113344040A (zh) * | 2021-05-20 | 2021-09-03 | 深圳索信达数据技术有限公司 | 图像分类方法、装置、计算机设备和存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109431490B (zh) * | 2018-09-28 | 2021-09-07 | 上海乐普云智科技股份有限公司 | 用于心电监测的人工智能实时分析方法和系统 |
CN112006678B (zh) * | 2020-09-10 | 2022-08-30 | 齐鲁工业大学 | 基于AlexNet和迁移学习相结合的心电图异常识别方法及系统 |
CN113855040B (zh) * | 2021-11-09 | 2023-04-14 | 郑州大学第一附属医院 | 一种嵌入式儿童心电监护设备及系统 |
-
2023
- 2023-03-08 CN CN202310212795.1A patent/CN116091489B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021057328A1 (zh) * | 2019-09-24 | 2021-04-01 | 上海数创医疗科技有限公司 | 基于特征选取的st段分类卷积神经网络及其使用方法 |
CN113344040A (zh) * | 2021-05-20 | 2021-09-03 | 深圳索信达数据技术有限公司 | 图像分类方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
Tae Joon Jun等.ECG arrhythmia classi cation using a 2-D convolutional neural network.《arXiv》.2018,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116091489A (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11854703B2 (en) | Simulating abnormalities in medical images with generative adversarial networks | |
EP2695160B1 (en) | Speech syllable/vowel/phone boundary detection using auditory attention cues | |
CN109247923B (zh) | 基于视频的非接触式脉搏实时估计方法及设备 | |
US8015132B2 (en) | System and method for object detection and classification with multiple threshold adaptive boosting | |
CN111832416A (zh) | 一种基于增强卷积神经网络的运动想象脑电信号识别方法 | |
CN111772619A (zh) | 一种心电图心搏识别方法、终端设备及存储介质 | |
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 | |
CN113947127A (zh) | 一种用于陪伴机器人的多模态情感识别方法和系统 | |
CN109902582B (zh) | 一种动作分类方法、装置、存储介质及终端设备 | |
CN112446891A (zh) | 基于U-Net网络脑胶质瘤的医学图像分割方法 | |
CN114092450B (zh) | 一种基于胃镜检查视频的实时图像分割方法、系统、装置 | |
CN111242933A (zh) | 视网膜图像动静脉的分类装置、设备及存储介质 | |
CN115424093B (zh) | 一种识别眼底图像中细胞的方法及装置 | |
CN114093501A (zh) | 基于同步视频与脑电的儿童运动性癫痫智能辅助分析方法 | |
CN111199186A (zh) | 图像质量评分模型训练方法、装置、设备及存储介质 | |
CN113486752A (zh) | 基于心电信号的情感识别方法及系统 | |
CN106780404A (zh) | 图像增强方法、装置及血管显像设备 | |
CN113288157A (zh) | 基于深度可分离卷积和改进损失函数的心律失常分类方法 | |
CN112438741A (zh) | 一种基于脑电特征迁移学习的驾驶状态检测方法及系统 | |
CN113506274A (zh) | 基于视觉显著性差异图的用于人体认知状况的检测系统 | |
CN116091489B (zh) | 基于深度学习的心电图图像识别方法及其系统 | |
CN115053300A (zh) | 从受试者声音诊断呼吸疾病 | |
Jia et al. | Deep learning with convolutional neural networks for sleep arousal detection | |
CN111310711A (zh) | 基于二维奇异谱分析融合emd的人脸图像识别方法及系统 | |
CN113469053A (zh) | 眼动轨迹鉴别方法及系统 |
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 |