CN116509414B - 一种心电信号去噪分类系统及方法 - Google Patents
一种心电信号去噪分类系统及方法 Download PDFInfo
- Publication number
- CN116509414B CN116509414B CN202310396705.9A CN202310396705A CN116509414B CN 116509414 B CN116509414 B CN 116509414B CN 202310396705 A CN202310396705 A CN 202310396705A CN 116509414 B CN116509414 B CN 116509414B
- Authority
- CN
- China
- Prior art keywords
- signal
- unit
- signals
- denoising
- denoised
- 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
- 238000000034 method Methods 0.000 title claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims abstract description 37
- 230000000747 cardiac effect Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 11
- 230000003993 interaction Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010006578 Bundle-Branch Block Diseases 0.000 description 1
- 206010047289 Ventricular extrasystoles Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
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
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Evolutionary Computation (AREA)
- Psychiatry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Cardiology (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请公开了一种心电信号去噪分类系统及方法,包括:第一分段模块、去噪模块、第二分段模块和分类模块;所述第一分段模块用于对所述心电信号进行分割,得到分割后信号;所述去噪模块用于对所述分割后信号进行去噪,得到去噪后信号;所述第二分段模块用于对所述去噪后信号进行分段,得到若干信号段;所述分类模块用于对若干所述信号段进行分类,得到分类结果。本申请通过将SWT的架构和卷积核约束引入CNN,让CNN能学到明晰的线性和非线性时频特征,结合Transformer强大的全局特征综合分析能力,得到足够有效且普适的特征用于心电信号的去噪和分类。
Description
技术领域
本申请属于心电信号处理领域,具体涉及一种心电信号去噪分类系统及方法。
背景技术
随着深度学习的发展,各类深度神经网络模型也被应用于心电信号去噪和分类中。在去噪模型中,WT-DAE模型通过对小波变换阈值去噪后的信号进一步用去噪自编码器去噪,最终去噪效果得到显著的提升。而在分类模型中,HT-WVD-Net模型综合了WignerVille分布和希尔伯特变换,将原始信号转换为二维时频图,并用ResNet101模型处理二维信号。在MS-WCNN模型中,将平稳小波变换获得的多层系数输入不同尺度的CNN中,并将这些网络的输出组合起来使用以实现信号分类。对于FusingTF模型,使用CNN对信号进行嵌入,然后将嵌入的信号输入到Transformer编码器中,最终通过全连接层输出分类结果,也取得了良好的结果。
但因为心电信号数据集数据样本较少,且反应疾病的心电信号相对于正常心电信号较少,神经网络学习会容易出现学习到的特征不明晰,过拟合等问题。
发明内容
为了解决上述现有技术中的不足,本申请提供了如下方案:
一种心电信号去噪分类系统,包括:第一分段模块、去噪模块、第二分段模块和分类模块;
所述第一分段模块用于对所述心电信号进行分割,得到分割后信号;
所述去噪模块用于对所述分割后信号进行去噪,得到去噪后信号;
所述第二分段模块用于对所述去噪后信号进行分段,得到若干信号段;
所述分类模块用于对若干所述信号段进行分类,得到分类结果。
优选的,所述第一分段模块中所述分割的方法包括:利用预设比例的滑动窗口进行心电信号分割,其中每个所述滑动窗口的大小为2048。
优选的,所述去噪模块包括:编码器和解码器;
所述编码器用于提取所述分割后信号的时频波形特征,并将特征信息传递至所述解码器;
所述解码器用于对所述特征信息进行恢复汇总,得到所述去噪后信号。
优选的,所述编码器包括:第一卷积单元、最大池化层、第一CNN-SWT单元和第一Transformer单元;
所述第一卷积单元和所述最大池化层用于对所述分割后信号进行初步处理,得到第一初步处理后信号;
所述第一CNN-SWT单元用于提取所述第一初步处理后信号的时频波形特征;
所述第一Transformer单元用于基于所述时频波形特征实现特征交互,并将所述时频波形特征传递至所述解码器。
优选的,所述解码器包括:第二卷积单元、上采样层和第一全连接层;
所述第二卷积单元用于对所述时频波形信息进行初步处理,得到第二初步处理信号;
所述上采样层用于将所述第二初步处理信号恢复序列长度,得到恢复后信号;
所述第一全连接层用于将所述恢复后信号进行汇总,得到所述去噪后信号。
优选的,所述第二分段模块中所述分段的方法包括:定位所述去噪后信号的R峰的位置,并确定所述R峰的R峰值,以所述R峰的位置为中心,将所述去噪后信号分成若干所述信号段,其中若干所述信号段长度为360。
优选的,所述分类模块包括:第三卷积单元、第二CNN-SWT单元、第二Transformer单元和第二全连接层;
所述第三卷积单元、所述第二CNN-SWT单元和所述第二Transformer单元用于基于若干所述信号段提取心动周期特征,并将最接近中间所述R峰的4个所述R峰的位置间隔标准化,再将标准化后间隔与所述心动周期特征拼接,得到拼接后特征;
所述第二全连接层用于基于所述拼接后特征输出所述分类结果。
本申请还提供了一种心电信号去噪分类方法,包括以下步骤:
对所述心电信号进行分割,得到分割后信号;
对所述分割后信号进行去噪,得到去噪后信号;
对所述去噪后信号进行分段,得到若干信号段;
对若干所述信号段进行分类,得到分类结果。
与现有技术相比,本申请的有益效果为:
本申请通过将SWT的架构和卷积核约束引入CNN,让CNN能学到明晰的线性和非线性时频特征,结合Transformer强大的全局特征综合分析能力,得到足够有效且普适的特征用于心电信号的去噪和分类。
附图说明
为了更清楚地说明本申请的技术方案,下面对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例的系统结构示意图;
图2为本申请实施例的整体架构示意图;
图3为本申请实施例的去噪模块架构示意图;
图4为本申请实施例的分类模块结构示意图;
图5为本申请实施例的方法流程示意图。
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、完整地描述,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。
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
实施例一
在本实施例中,如图1、图2所示,一种心电信号去噪分类系统,包括:第一分段模块、去噪模块、第二分段模块和分类模块。
第一分段模块用于对心电信号进行分割,得到分割后信号。
第一分段模块中分割的方法包括:利用预设比例的滑动窗口进行心电信号分割,其中每个滑动窗口的大小为2048。
在本实施例中,选用滑动窗口分段模块作为第一分段模块,在滑动窗口分段模块中,为了保证信号的平滑性和信息的充分利用,使用预设比例为1/2的滑动窗口对信号进行分割,在采样率为360Hz的条件下,每个窗口的大小为2048。然后,将分割后的信号输入到去噪模块。
去噪模块用于对分割后信号进行去噪,得到去噪后信号。
去噪模块包括:编码器和解码器;编码器用于提取分割后信号的时频波形特征,并将特征信息传递至解码器;解码器用于对特征信息进行恢复汇总,得到去噪后信号。
编码器包括:第一卷积单元、最大池化层、第一CNN-SWT单元和第一Transformer单元;第一卷积单元和最大池化层用于对分割后信号进行初步处理,得到第一初步处理后信号;第一CNN-SWT单元用于提取第一初步处理后信号的时频波形特征;第一Transformer单元用于基于时频波形特征实现特征交互,并将时频波形特征传递至解码器。
解码器包括:第二卷积单元、上采样层和第一全连接层;第二卷积单元用于对时频波形信息进行初步处理,得到第二初步处理信号;上采样层用于将第二初步处理信号恢复序列长度,得到恢复后信号;第一全连接层用于将恢复后信号进行汇总,得到去噪后信号。
在本实施例中,如图3所示,去噪模块的该模型的总体框架类似于U型网络,包括编码器和解码器。编码器和解码器之间存在用于信息传输的跳跃连接。在编码器部分,首先使用第一卷积单元和最大池化层对信息进行初步处理。第一卷积单元包括卷积层、relu激活层和批标准化层。第一卷积单元中每个卷积核大小为3,步长为1。卷积前后的序列长度通过加零保持不变。最大池化层选择窗口内数字中最大的一个,并将其传输到下一层。通过第一卷积单元和最大池化层,我们减少了序列长度并提取了关键特征波形作为第一初步处理后信号。然后,我们将提取的关键特征波形传递给第一CNN-SWT单元,以提取不同维度的时频波形特征,第一CNN-SWT单元的架构类似于SWT,包含对应的第一卷积核组和第二卷积核组,第一卷积核组和第二卷积核组正交,同一组大卷积核为对应小卷积核间隔补零生成。而Transformer部分,位置嵌入采用time2vec的方式,其中多头注意力层头数为16,前馈网络层隐藏节点数为64,dropout层参数为0.1。
在解码器部分,第二卷积单元与编码器部分中第一卷积单元相同。通过添加上采样层来恢复序列长度,再使用第一全连接层来汇总每个副本的信息并输出恢复信号,即去噪后信号。
第二分段模块用于对去噪后信号进行分段,得到若干信号段。
第二分段模块中分段的方法包括:定位去噪后信号的R峰的位置,并确定R峰的R峰值,以R峰的位置为中心,将去噪后信号分成若干信号段,其中若干信号段长度为360。在本实施例中,第二分段模块为R峰中心分段模块,使用基于香农能量的R峰位置算法来定位R峰,再以R峰的位置为中心,将信号分成长度为360的片段作为分类模块的输入,进一步的,本实施例中第二分段模块还添加R峰的位置间隔作为辅助信息。
分类模块用于对若干信号段进行分类,得到分类结果。
分类模块包括:第三卷积单元、第二CNN-SWT单元、第二Transformer单元和第二全连接层;第三卷积单元、第二CNN-SWT单元和第二Transformer单元用于基于若干信号段提取心动周期特征,并将最接近中间R峰的4个R峰的位置间隔标准化,再将标准化后间隔与心动周期特征拼接,得到拼接后特征;第二全连接层用于基于拼接后特征输出分类结果。
在本实施例中,如图4所示,为本实施例的分类模块结构示意图,图中输入1、输入2和输入3是以R峰的位置为中心的三个连续心电信号片段,其中输入2是我们要分类的心电信号片段。输入三个连续心电信号片片段的原因是每个心动周期的波形是相互关联的。当前心动周期的活动受上一心动周期的影响,也会影响下一心动周期。因此,同时输入三个连续的心动周期段更有利于疾病的诊断。同时,因为提取心动周期特征所需的网络对于三个连续的心动周期段是相同的,所以三个虚线框中的结构是相同的并且参数是共享的。此外,心动周期的波形将缺乏R峰间期的信息,而R峰间期信息对判断心电图的类型起着重要作用。因此,第三卷积单元、第二CNN-SWT单元和第二Transformer单元用于基于若干信号段提取心动周期特征,并将最接近中间R峰的4个R峰的位置间隔标准化,再将标准化后间隔与心动周期特征拼接,并将拼接后特征输入到第二全连接层,最终通过第二全连接层中的softmax函数输出分类结果。其中第三卷积单元、第二CNN-SWT单元和第二Transformer单元与去噪模块中的第一卷积单元、第一CNN-SWT单元和第一Transformer单元结构分别相同。
实施例二
在本实施例中,如图5所示,一种心电信号去噪分类方法,包括以下步骤:
S1.对心电信号进行分割,得到分割后信号。
在本实施例中,使用预设比例为1/2的滑动窗口对信号进行分割,在采样率为360Hz的条件下,每个窗口的大小为2048,得到分割后信号。
S2.对分割后信号进行去噪,得到去噪后信号。
在本实施例中,提取分割后信号的时频波形特征,并对特征信息进行恢复汇总,得到去噪后信号。
S3.对去噪后信号进行分段,得到若干信号段。
使用基于香农能量的R峰位置算法来定位R峰,再以R峰的位置为中心,将信号分成长度为360的片段作为分类模块的输入,进一步的,本实施例中第二分段模块还添加R峰的位置间隔作为辅助信息。
S4.对若干信号段进行分类,得到分类结果。
在本实施例中,基于若干信号段提取心动周期特征,并将最接近中间R峰的4个R峰的位置间隔标准化,再将标准化后间隔与心动周期特征拼接,并将拼接后特征利用softmax函数处理,输出分类结果。
实施例三
在本实施例中,通过实际数据验证本申请方案的技术效果,数据集采用MIT-BIH心律失常数据集,噪音来自MIT-BIH噪音压力数据集,包含电极移动(Electrode Movement,EM),肌肉伪影(Muscle Artifact,MA),基线漂移(Baseline Wander,BW)三种噪音。在去噪部分,我们与其他算法进行对比,数据集划分及噪音添加采用相同方式。表1是5dB信噪比条件下不同噪音的去噪效果对比,对比指标输出信噪比(signal-to-noise ratio,SNR)和均方根误差(root mean square error,RMSE)表达式如下,其中Xc为原始干净的心电信号,Xd为去噪后的信号,N为信号长度。
表1
从表1中可以看出,本申请在各种噪音条件下均表现出了优于其他算法的性能,这得益于本申请能很好地提取信号的波形特征并进行整合,进而在去除噪音的同时,最大程度恢复原始信号波形。
在分类部分,我们进行标准的五分类即N(正常或者束支传导阻滞节拍)、S(室上性异常节拍)、V(心室异常节拍)、F(融合节拍)、Q(未能分类的节拍),并就最终分类准确性Acc与其他算法进行比较,分类准确性表达式如下:
其中这里,TP表示真阳性数,FN表示假阴性数,TN表示真阴性数,FP表示假阳性数。比较结果如表2所示。
表2
从表2中可以看出,在分类任务中,本申请依旧表现出了优于其他方法的性能。表3展示本申请在带噪信号分类时的整体表现。
表3
当加入不同信噪比的混合噪音时,本申请的性能确实会随着噪音强度增加而下降,但整体的准确性依旧保持在高位,面对0dB噪音时,也依旧有99%以上的准确性,足以看出本申请具备很强的抗干扰能力。
实施例四
在本实施例中,介绍本申请在实际使用中的情况,心电采集设备主控板为MSP-EXP432P4111,心电信号采集前端芯片为ADS1293,加速度信号来自JY901九轴姿态模块。数据通过蓝牙芯片XY-MBD87AD传输到计算机。信号数据包的收集,解包和信号的分段程序采用MATLAB软件进行编写,剩余的信号去噪和分类模型部分程序以python来进行编写,采用TensorFlow库。模型的训练优化器为Adam,数据每一批次大小为64,训练轮数为50轮。去噪部分模型损失函数Ld如下:
Cp=1+abs(Xc-median(Xc)),
其中ο代表矩阵点乘。分类部分模型损失函数Lc如下:
Lc=-α(1-yp)γlog(yp).
其中,yp为正确项对应预测概率,α和γ为权重系数,在这里γ取2,各个分类[N,S,V,F,Q]所对应的α分别为[0.25,1,0.5,2,0.5]。
整体模型放于服务器上,数据采用web socket的连接方式实现服务器与MATLAB的数据交互。
以上所述的实施例仅是对本申请优选方式进行的描述,并非对本申请的范围进行限定,在不脱离本申请设计精神的前提下,本领域普通技术人员对本申请的技术方案做出的各种变形和改进,均应落入本申请权利要求书确定的保护范围内。
Claims (5)
1.一种心电信号去噪分类系统,其特征在于,包括:第一分段模块、去噪模块、第二分段模块和分类模块;
所述第一分段模块用于对所述心电信号进行分割,得到分割后信号;
所述去噪模块用于对所述分割后信号进行去噪,得到去噪后信号;
所述第二分段模块用于对所述去噪后信号进行分段,得到若干信号段;
所述分类模块用于对若干所述信号段进行分类,得到分类结果;
所述去噪模块包括:编码器和解码器;
所述编码器用于提取所述分割后信号的时频波形特征,并将特征信息传递至所述解码器;
所述解码器用于对所述特征信息进行恢复汇总,得到所述去噪后信号;
所述编码器包括:第一卷积单元、最大池化层、第一CNN-SWT单元和第一Transformer单元;
所述第一卷积单元和所述最大池化层用于对所述分割后信号进行初步处理,得到第一初步处理后信号;
所述第一CNN-SWT单元用于提取所述第一初步处理后信号的时频波形特征;
所述第一Transformer单元用于基于所述时频波形特征实现特征交互,并将所述时频波形特征传递至所述解码器;
所述解码器包括:第二卷积单元、上采样层和第一全连接层;
所述第二卷积单元用于对所述时频波形信息进行初步处理,得到第二初步处理信号;
所述上采样层用于将所述第二初步处理信号恢复序列长度,得到恢复后信号;
所述第一全连接层用于将所述恢复后信号进行汇总,得到所述去噪后信号。
2.根据权利要求1所述一种心电信号去噪分类系统,其特征在于,所述第一分段模块中所述分割的方法包括:利用预设比例的滑动窗口进行心电信号分割,其中每个所述滑动窗口的大小为2048。
3.根据权利要求1所述一种心电信号去噪分类系统,其特征在于,所述第二分段模块中所述分段的方法包括:定位所述去噪后信号的R峰的位置,并确定所述R峰的R峰值,以所述R峰的位置为中心,将所述去噪后信号分成若干所述信号段,其中若干所述信号段长度为360。
4.根据权利要求3所述一种心电信号去噪分类系统,其特征在于,所述分类模块包括:第三卷积单元、第二CNN-SWT单元、第二Transformer单元和第二全连接层;
所述第三卷积单元、所述第二CNN-SWT单元和所述第二Transformer单元用于基于若干所述信号段提取心动周期特征,并将最接近中间所述R峰的4个所述R峰的位置间隔标准化,再将标准化后间隔与所述心动周期特征拼接,得到拼接后特征;
所述第二全连接层用于基于所述拼接后特征输出所述分类结果。
5.一种心电信号去噪分类方法,其特征在于,包括以下步骤:
对所述心电信号进行分割,得到分割后信号;
对所述分割后信号进行去噪,得到去噪后信号;
对所述去噪后信号进行分段,得到若干信号段;
对若干所述信号段进行分类,得到分类结果;
得到所述去噪后信号的方法包括:通过构建神经网络对所述分割后信号进行去噪;
所述神经网络包括:编码器和解码器;
所述编码器用于提取所述分割后信号的时频波形特征,并将特征信息传递至所述解码器;
所述解码器用于对所述特征信息进行恢复汇总,得到所述去噪后信号;
所述编码器包括:第一卷积单元、最大池化层、第一CNN-SWT单元和第一Transformer单元;
所述第一卷积单元和所述最大池化层用于对所述分割后信号进行初步处理,得到第一初步处理后信号;
所述第一CNN-SWT单元用于提取所述第一初步处理后信号的时频波形特征;
所述第一Transformer单元用于基于所述时频波形特征实现特征交互,并将所述时频波形特征传递至所述解码器;
所述解码器包括:第二卷积单元、上采样层和第一全连接层;
所述第二卷积单元用于对所述时频波形信息进行初步处理,得到第二初步处理信号;
所述上采样层用于将所述第二初步处理信号恢复序列长度,得到恢复后信号;
所述第一全连接层用于将所述恢复后信号进行汇总,得到所述去噪后信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310396705.9A CN116509414B (zh) | 2023-04-14 | 2023-04-14 | 一种心电信号去噪分类系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310396705.9A CN116509414B (zh) | 2023-04-14 | 2023-04-14 | 一种心电信号去噪分类系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116509414A CN116509414A (zh) | 2023-08-01 |
CN116509414B true CN116509414B (zh) | 2023-12-15 |
Family
ID=87393303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310396705.9A Active CN116509414B (zh) | 2023-04-14 | 2023-04-14 | 一种心电信号去噪分类系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116509414B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107495959A (zh) * | 2017-07-27 | 2017-12-22 | 大连大学 | 一种基于一维卷积神经网络的心电信号分类方法 |
CN110693488A (zh) * | 2019-10-22 | 2020-01-17 | 清华大学 | 心电信号处理系统、方法、电子设备及可读存储介质 |
CN110742599A (zh) * | 2019-11-01 | 2020-02-04 | 广东工业大学 | 一种心电信号特征提取分类方法及系统 |
CN114419657A (zh) * | 2021-12-08 | 2022-04-29 | 西安交通大学第二附属医院 | 基于局部片段稀疏表示的ecg身份识别方法 |
CN115905969A (zh) * | 2022-10-12 | 2023-04-04 | 华中科技大学 | 一种基于深度学习的心电信号波形分段方法及系统 |
CN115944305A (zh) * | 2023-03-15 | 2023-04-11 | 浪潮金融信息技术有限公司 | 一种无心拍切分的心电异常检测方法、系统、设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210378597A1 (en) * | 2020-06-04 | 2021-12-09 | Biosense Webster (Israel) Ltd. | Reducing noise of intracardiac electrocardiograms using an autoencoder and utilizing and refining intracardiac and body surface electrocardiograms using deep learning training loss functions |
US20220015711A1 (en) * | 2020-07-20 | 2022-01-20 | Board Of Regents, The University Of Texas System | System and method for automated analysis and detection of cardiac arrhythmias from electrocardiograms |
-
2023
- 2023-04-14 CN CN202310396705.9A patent/CN116509414B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107495959A (zh) * | 2017-07-27 | 2017-12-22 | 大连大学 | 一种基于一维卷积神经网络的心电信号分类方法 |
CN110693488A (zh) * | 2019-10-22 | 2020-01-17 | 清华大学 | 心电信号处理系统、方法、电子设备及可读存储介质 |
CN110742599A (zh) * | 2019-11-01 | 2020-02-04 | 广东工业大学 | 一种心电信号特征提取分类方法及系统 |
CN114419657A (zh) * | 2021-12-08 | 2022-04-29 | 西安交通大学第二附属医院 | 基于局部片段稀疏表示的ecg身份识别方法 |
CN115905969A (zh) * | 2022-10-12 | 2023-04-04 | 华中科技大学 | 一种基于深度学习的心电信号波形分段方法及系统 |
CN115944305A (zh) * | 2023-03-15 | 2023-04-11 | 浪潮金融信息技术有限公司 | 一种无心拍切分的心电异常检测方法、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116509414A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948647B (zh) | 一种基于深度残差网络的心电图分类方法及系统 | |
CN111461176B (zh) | 基于归一化互信息的多模态融合方法、装置、介质及设备 | |
CN110840445B (zh) | 一种动态心电信号的自动降噪方法 | |
CN115470827B (zh) | 基于自监督学习和孪生网络的对抗性心电信号降噪方法 | |
CN109259756B (zh) | 基于非平衡训练的二级神经网络的ecg信号处理方法 | |
CN113057648A (zh) | 一种基于复合lstm结构的ecg信号分类方法 | |
CN115640507B (zh) | 一种基于心电心音联合分析的异常数据筛查方法 | |
CN115470832B (zh) | 一种基于区块链的心电信号数据处理方法 | |
CN113116300A (zh) | 一种基于模型融合的生理信号分类方法 | |
CN113223697A (zh) | 远程体积描记信号检测模型构建、检测方法、装置及应用 | |
CN116361688A (zh) | 用于心电节律自动分类的多模态特征融合模型构建方法 | |
CN113486752A (zh) | 基于心电信号的情感识别方法及系统 | |
CN113796889A (zh) | 一种基于深度学习的辅助电子听诊器信号判别方法 | |
CN115736944A (zh) | 一种基于短时单导联心电信号的房颤检测模型mcnn-blstm | |
CN115530788A (zh) | 基于自注意力机制的心律失常分类方法 | |
CN113569924B (zh) | 一种基于支持向量机多核协作的情绪辨识分类方法 | |
CN110811591A (zh) | 一种基于心率变异性的心力衰竭分级方法 | |
CN112884062B (zh) | 一种基于cnn分类模型和生成对抗网络的运动想象分类方法及系统 | |
CN116509414B (zh) | 一种心电信号去噪分类系统及方法 | |
Ma et al. | Atrial fibrillation detection algorithm based on graph convolution network | |
CN116035593B (zh) | 一种基于生成对抗式并行神经网络的脑电降噪方法 | |
Yang et al. | Superimposed semantic communication for iot-based real-time ecg monitoring | |
CN115607164A (zh) | 心电特征波分割方法、系统、装置及可读存储介质 | |
KR102373778B1 (ko) | 심전도 데이터로부터 광용적맥파 데이터를 생성하는 장치 및 방법 | |
CN114626424A (zh) | 一种基于数据增强的无声语音识别方法及装置 |
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 |