CN116616792A - 基于轻量化设计和特征融合的心房颤动检测系统 - Google Patents

基于轻量化设计和特征融合的心房颤动检测系统 Download PDF

Info

Publication number
CN116616792A
CN116616792A CN202310896173.5A CN202310896173A CN116616792A CN 116616792 A CN116616792 A CN 116616792A CN 202310896173 A CN202310896173 A CN 202310896173A CN 116616792 A CN116616792 A CN 116616792A
Authority
CN
China
Prior art keywords
layer
atrial fibrillation
feature
fusion
fibrillation detection
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
Application number
CN202310896173.5A
Other languages
English (en)
Other versions
CN116616792B (zh
Inventor
魏守水
田淑众
李永建
刘磊
韩宝坤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Shandong Agriculture and Engineering University
Original Assignee
Shandong University
Shandong Agriculture and Engineering University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University, Shandong Agriculture and Engineering University filed Critical Shandong University
Priority to CN202310896173.5A priority Critical patent/CN116616792B/zh
Publication of CN116616792A publication Critical patent/CN116616792A/zh
Application granted granted Critical
Publication of CN116616792B publication Critical patent/CN116616792B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B5/361—Detecting fibrillation
    • 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
    • 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
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/0495—Quantised networks; Sparse networks; Compressed 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Abstract

本发明涉及心房颤动检测技术领域，公开了基于轻量化设计和特征融合的心房颤动检测系统，其中系统包括：获取模块，其被配置为：获取待检测的心电信号；检测模块，其被配置为：将待检测的心电信号，输入到训练后的心房颤动检测模型中，输出心房颤动检测结果；其中，训练后的心房颤动检测模型，包括：并列的主路径和辅助路径；其中，主路径和辅助路径均用于实现心电信号中的特征提取；交叉引导机制模块用于实现特征的信息交互；注意力融合机制模块用于实现特征融合；最后采用分类器对融合后的特征进行识别，输出心房颤动的检测结果。提高了心房颤动检测的准确性、降低了运算成本、提高了检测速度、提高了检测的实时性。

Description

基于轻量化设计和特征融合的心房颤动检测系统
技术领域
本发明涉及心房颤动检测技术领域，特别是涉及基于轻量化设计和特征融合的心房颤动检测系统。
背景技术
本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。
心房颤动（AF）作为最常见的心律失常类型之一，它导致中风的风险增加5倍、痴呆症和心肌梗死的风险增加2倍等。特别是阵发性心房颤动，具有阵发性与偶发性的特点，使用临床的短时心电图难以发现，90%的患者表现出无自觉征兆，仅有少数患者被发现而进入临床干预阶段。低检出率一直是心房颤动治疗过程中的主要问题。为了实现心房颤动的早发现、早干预，降低患者的死亡率，可穿戴式的长程心电监护设备（例如Holter等）在临床上得到广泛应用，然而现有算法的复杂性限制了穿戴式心电监护仪的信号采集与分析一体化，降低了心房颤动诊断的实时性。虽然具有心房颤动检测功能的智能手表在世界范围内得到大量使用，但是研究表明，现有的智能手表无论是信号的质量，还是检测的精度均未达到临床标准。研究一种能够嵌入低端芯片和集成到临床穿戴式心电监护仪中的轻量化心房颤动检测算法是解决问题的关键。
在实现本发明的过程中，发明人发现现有技术中存在以下技术问题：
现有的心房颤动检测系统存在准确性低、运算成本高、检测速度慢、实时性差的情况。
发明内容
为了解决现有技术的不足，本发明提供了基于轻量化设计和特征融合的心房颤动检测系统；提高了心房颤动检测的准确性、降低了运算成本、提高了检测速度、提高了检测的实时性。
基于轻量化设计和特征融合的心房颤动检测系统，包括：
获取模块，其被配置为：获取待检测的心电信号；
检测模块，其被配置为：将待检测的心电信号，输入到训练后的心房颤动检测模型中，输出心房颤动检测结果；
其中，训练后的心房颤动检测模型，包括：并列的主路径和辅助路径；
其中，主路径，包括依次连接的若干个深度可分离卷积层；
辅助路径包括若干个依次连接的标准卷积层；
深度可分离卷积层与标准卷积层之间存在一一对应关系；
深度可分离卷积层与对应的标准卷积层之间通过交叉引导机制模块连接；
每个深度可分离卷积层与对应的标准卷积层的输出端均与对应的注意力融合机制模块连接；
其中，主路径和辅助路径均用于实现心电信号中的特征提取；交叉引导机制模块用于实现特征的信息交互；注意力融合机制模块用于实现特征融合；最后采用分类器对融合后的特征进行识别，输出心房颤动的检测结果。
上述技术方案中的一个技术方案具有如下优点或有益效果：
本发明利用分布式思想、逐层交叉指导机制和注意力融合机制设计了心房颤动检测模型，心房颤动检测模型是一种轻量化的双路径X型网络（LX-Net）。心房颤动检测模型的主路径使用多层深度可分离卷积提取AF的深层次信息，心房颤动检测模型的辅助路径利用标准卷积弥补深度可分离卷积特征表达能力较弱的缺陷。
心房颤动检测模型基于相互指导的思想使用逐层交叉指导机制，实现深度可分离卷积与标准卷积之间的信息交互。心房颤动检测模型还基于注意力机制和二维卷积模板开发了注意力融合机制，对不同路径和不同层的信息进行筛选和精准的特征融合。提高了心房颤动检测的准确性、降低了运算成本、提高了检测速度、提高了检测的实时性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为实施例一的训练后的心房颤动检测模型网络结构示意图；
图2为实施例一的标准卷积的原理图；
图3为实施例一的深度可分离卷积的原理图；
图4为实施例一的交叉引导机制的框图；
图5为实施例一的注意力融合机制的框图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明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发明的示例性实施方式。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，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
心房颤动是常见的心律失常类型之一，其医疗负担正在持续增加。基于深度学习的穿戴式心电信号分析是筛查心房颤动的有效方案，但是现有深度学习算法的复杂性、不稳定性以及不可解释性限制了深度学习在心房颤动诊断中的临床应用。开发一种具有良好稳定性的轻量化深度学习模型是解决问题的关键。
本实施例提供了基于轻量化设计和特征融合的心房颤动检测系统；
基于轻量化设计和特征融合的心房颤动检测系统，包括：
获取模块，其被配置为：获取待检测的心电信号；
检测模块，其被配置为：将待检测的心电信号，输入到训练后的心房颤动检测模型中，输出心房颤动检测结果；
其中，如图1所示，训练后的心房颤动检测模型，包括：并列的主路径和辅助路径；
其中，主路径，包括依次连接的若干个深度可分离卷积层；
辅助路径包括若干个依次连接的标准卷积层；
深度可分离卷积层与标准卷积层之间存在一一对应关系；
深度可分离卷积层与对应的标准卷积层之间通过交叉引导机制模块连接；
每个深度可分离卷积层与对应的标准卷积层的输出端均与对应的注意力融合机制模块连接；
其中，主路径和辅助路径均用于实现心电信号中的特征提取；交叉引导机制模块用于实现特征的信息交互；注意力融合机制模块用于实现特征融合；最后采用分类器对融合后的特征进行识别，输出心房颤动的检测结果。
进一步地，所述主路径，包括依次串联的九个深度可分离卷积层；
所述辅助路径，包括依次串联的九个标准卷积层；
九个深度可分离卷积层与九个标准卷积层之间存在一一对应关系；
深度可分离卷积层与对应的标准卷积层之间通过交叉引导机制模块连接，交叉引导机制模块的数量为九个；
前三个深度可分离卷积层的输出端和前三个标准卷积层的输出端，均与第一注意力融合机制模块的输入端连接；
中间三个深度可分离卷积层的输出端和中间三个标准卷积层的输出端，均与第二注意力融合机制模块的输入端连接；
最后三个深度可分离卷积层的输出端和最后三个标准卷积层的输出端，均与第三注意力融合机制模块的输入端连接；
第一、第二和第三注意力融合机制模块的输出端均与融合模块的输入端连接，融合模块的输出端与分类器的输入端连接。
示例性地，本发明提出的训练后的心房颤动检测模型，采用轻量化双路径X型网络(LX-Net)来实现，其利用分布式的思想设计了两条轻量级路径，结合逐层交叉指导机制和注意力融合机制实现特征提取、特征筛选和特征融合。网络的整体结构如图1所示，主路径由9层1×3×32的深度可分离卷积层搭建，辅助路径由9层1×3×16标准卷积层搭建，逐层交叉指导机制由2组交叉相乘的注意力模块构成，注意力融合机制由注意力机制和1层3×1×32二维卷积模板构建。
进一步地，所述深度可分离卷积层，包括：
+/>；(1)
其中，表示第/>个输出，/>表示第/>个卷积核的权重，/>表示第/>个输入，/>表示偏差。
深度可分离卷积层计算过程的参数量与计算量/>：
；(2)
；(3)
其中，代表深度可分离卷积层的卷积核尺寸，/>代表深度可分离卷积层的输入通道数，/>代表输入信号的长度，/>表示偏差。
应理解地，深度可分离卷积层应用逐通道卷积的思想，即每一个卷积核只对一个特征图进行卷积，且每一个特征图只能被一个卷积核卷积。相对于标准卷积，深度可分离卷积层的参数量与计算量更小，运算效率更高。标准卷积与深度可分离卷积层的区别，如图2和图3所示。
进一步地，所述标准卷积层，包括：
；（4）
其中，表示第/>个输出，/>表示第/>个卷积核的权重，/>表示第j个输入；
标准卷积层计算过程的参数量与计算量/>：
；(5)
；(6)
其中，代表标准卷积的卷积核尺寸，/>代表标准卷积的卷积核个数，/>代表输入的通道数。
当深度可分离卷积层与标准卷积层的超参数一致时，即=/>时，
；(7)
；(8)
通过公式（7）和（8）可以看出，对相同的输入进行特征提取时，深度可分离卷积层的参数量与计算量仅为标准卷积的。
本实施例将分布式的思想和深度可分离卷积层结合，搭建了两条功能互补的路径，利用深度可分离卷积层构建提取心房颤动深层次特征的主路径，在保证获取相应特征的前提下，降低特征提取过程中的运算成本。考虑到心电信号作为一种时序信号，不同特征之间保持着密切的时序关系，单纯的基于深度可分离卷积层提取特征切断了不同通道之间的信息交流，破坏了心电信号信息的连续性以及完整性。因此，本发明利用由16个卷积核组成的标准卷积建立了一条辅助路径，利用标准卷积对所有通道实现全覆盖的特点，保留不同卷积通道之间的信息耦合关系。
进一步地，如图4所示，所述交叉引导机制模块，包括：并列的两个分支：第一分支和第二分支；
所述第一分支，包括：依次连接的第一全局平均池化层、第一全连接层、第一激活函数层、第二全连接层、第二激活函数层和第一乘法器；
所述第二分支，包括：依次连接的第二全局平均池化层、第三全连接层、第三激活函数层、第四全连接层、第四激活函数层和第二乘法器；
所述第一全局池化层的输入端用于输入当前交叉引导机制模块对应的深度可分离卷积层的输出值；
所述第二全局池化层的输入端用于输入当前交叉引导机制模块对应的标准卷积层的输出值；
所述第一乘法器的输出端与当前交叉引导机制模块对应的标准卷积层的输入端连接；
所述第二乘法器的输出端与当前交叉引导机制模块对应的深度可分离卷积层的输入端连接；
所述第一全局池化层的输入端与第二乘法器的输入端连接；
所述第二全局池化层的输入端与第一乘法器的输入端连接。
进一步地，所述交叉引导机制模块，包括：
首先，将主路径与辅助路径中同一层的特征图与/>经过压缩操作/>转换为特征值/>与特征值/>：
；(9)
；(10)
；(11)
；(12)
其中，表示主路径中深度可分离卷积层输出的特征图；/>表示辅助路径中标准卷积层输出的特征图；/>表示深度可分离卷积层输出的特征图的长，/>表示深度可分离卷积层输出的特征图的宽，/>表示第/>行，/>表示第/>列，/>表示标准卷积层输出的特征图的长，/>表示标准卷积层输出的特征图的宽。
对同一层中所有的特征图进行相同的处理之后，得到由主路径特征值构成的特征向量/>和由辅助路径特征值/>构成的特征向量/>；
然后，对特征向量进行激励操作学习每个特征通道的重要性，并得到主路径的权重向量/>与辅助路径的权重向量/>；
；（13）
；（14）
；（15）
；（16）
；（17）
；（18）
其中，、/>、/>与/>分别代表不同全连接层的参数矩阵，/>代表Sigmiod激活函数，/>代表Relu激活函数。
最后，将辅助路径的权重向量中的权重值/>加权到主路径中的特征图/>，得到由辅助路径指导的特征图/>；将主路径的权重向量/>中的权重值/>加权到辅助路径中的特征图/>，得到由主路径指导的特征图/>。
；(19)
；(20)。
应理解地，本发明改进了图像分割中的交叉指导机制，并将其泛化到LX-Net中的每一层卷积之间，实现不同路径之间层与层的信息交互，解决了分布式网络中主路径与辅助路径的信息流通受到阻碍的问题。本发明利用轻量化注意力模块代替了交叉指导机制中的卷积层以及反卷积层，借助注意力机制快速识别重要信息的特点，将不同路径中同一深度的心房颤动信息根据其重要性进行编码，并以交叉相乘的方式传递给另一条路径中对应位置的特征图中，使得主路径与辅助路径能够彼此指导，实现主路径与辅助路径之间的相互学习。在处理不同路径输出的特征图时，本发明使用拼接操作代替了元素加和操作，在进一步缩减推理成本的前提下，实现网络主路径与辅助路径的信息传递。逐层交叉指导机制如图4所示，主路径提取的特征被压缩后加权到辅助路径中，辅助路径提取的特征被压缩后加权到主路径中。
逐层交叉指导机制使用了挤压-激励(SE-Net，Squeeze-and-ExcitationNetworks)的形式。SE-Net的结构简单，在自动学习不同通道的重要性时，使用了轻量化的设计思想。
进一步地，所述第一、第二和第三注意力融合机制模块的内部结构是一致的，所述第一注意力融合机制模块，包括：
三个并列分支：第三分支、第四分支和第五分支；
所述第三分支、第四分支和第五分支，均包括依次连接的串联拼接层、全局平均池化层、全连接层和激活函数层；
所述第三分支的激活函数层输出端、第四分支的激活函数层输出端和第五分支的激活函数层输出端，均与并联拼接层的输入端连接，并联拼接层的输出端与二维卷积层的输入端连接，二维卷积层的输出端输出最终得到的融合特征向量。
进一步地，所述第一、第二和第三注意力融合机制模块的工作过程是一致的，所述第一注意力融合机制模块，包括：
将心房颤动检测模型的第层深度可分离卷积层的输出特征图和第/>层标准卷积层的输出特征图串联拼接以后，得到/>，/>有/>特征图；
将心房颤动检测模型的第层深度可分离卷积层的输出特征图和第/>层标准卷积层的输出特征图串联拼接以后，得到/>，/>有/>个特征图；
将心房颤动检测模型的第层深度可分离卷积层的输出特征图和第/>层标准卷积层的输出特征图串联拼接以后，得到/>，/>有/>个特征图；
利用全局平均池化层将心房颤动检测模型每一层中的特征图压缩为特征值，每层的特征值构成该层的特征向量，得到第层特征向量为/>、第/>层特征向量为/>，第/>层特征向量为/>；
然后将不同层的特征向量利用注意力机制进行初步映射，映射过程如公式（21）~（23）所示：
；(21)
；(22)
；(23)
其中，、/>和/>代表权重矩阵，/>、/>和/>代表偏差系数，/>代表Sigmoid激活函数。/>、/>、/>代表经过注意力机制映射后的第/>层特征向量，第/>层特征向量和第/>层特征向量；
假设映射之后得到三条长度均为的特征向量/>、和/>，对映射得到的特征向量实行纵向拼接策略，得到一个3×t的二维矩阵。
利用二维卷积层，对3×t的二维矩阵每一列进行卷积计算，将来自不同层的特征值按照学习到的权重加权融合，得到融合特征向量BAI，融合过程如公式（24）所示：
；(24)
其中，融合特征向量BAI的特征值；/>,/>与/>是二维卷积算子学习得到的权重。
进一步地，所述融合模块，包括：依次连接的并联拼接层和二维卷积层。
应理解地，注意力融合机制在不同路径之间，经过逐层交叉指导机制引导后，主路径与辅助路径输出的特征图存在相应的互补关系，但是也存在一定程度的信息冗余，直接对两种特征图进行简单的线性加减或级联操作不能充分挖掘和利用它们之间潜在的关系，也无法充分考虑不同特征对于AF识别的重要性，还会增加计算的复杂性，引起梯度消失或爆炸等问题。
注意力融合机制在不同层之间：Res Net已经表明浅层网络的特征能够被深层网络利用来提高网络的性能，并能有效防止梯度消失与梯度爆炸现象。然而，DL模型中浅层的特征图是一种信息冗余的特征图，直接将浅层的特征图线性加和到深层特征图中会增加网络学习的复杂度，并且残差网络的变体表明，将浅层特征图无差别的添加到深层特征图中，会因为信息冗余问题导致模型的性能出现下降。
为了对不同的特征进行更加细化的处理，实现精确的融合策略，本发明提出了一种注意力融合机制，结构如图5所示。注意力机制对来自不同路径的特征进行搜索，通过学习将所有的特征图转换为相应的特征向量，再将不同层之间的特征向量纵向级联得到一组二维矩阵，最后基于二维卷积模板对得到的二维特征矩阵进行卷积计算，得到用于分类的一维特征向量。
进一步地，所述训练后的心房颤动检测模型，训练过程包括：
构建训练集、测试集和验证集，所述训练集、测试集和验证集，均包括：已知心房颤动检测结果的心音信号；
将训练集输入到心房颤动检测模型中，对模型进行训练，当模型的损失函数值不再下降或者总迭代次数超过设定次数时，停止训练，得到初步的心房颤动检测模型；
将测试集输入到初步的心房颤动检测模型进行测试；
将验证集输入到初步的心房颤动检测模型进行验证；
将通过测试和验证的模型，作为训练后的心房颤动检测模型输出。
为了检验提出方法的实际应用效果，本发明建立了一个临床数据集（ShandongProvincial Hospital Database，SPHDB）。SPHDB包含250名患者的24小时穿戴式心电记录，所有的记录均来自于阵发性AF患者。患者来自多个不同的区域，最低年龄为42岁，最高年龄为90岁，男女比例约为1:1。所有的记录均由12导联的Holter穿戴式心电监护仪收集，采样频率为200HZ。每一条记录均由临床专家标注，标注后的数据被分为AF片段与非AF片段。该方案经医院伦理委员会批准。
本发明以第Ⅱ导联的ECG记录作为研究对象，首先使用db6小波对所有的ECG进行9阶分解去除高频噪声与低频噪声。然后将得到的信号分割为15s的ECG片段。最后，本发明将分割得到的ECG片段进行Z-score标准化处理，以加快梯度下降求解最优解的速度。为了避免实验结果的偶然性和过拟合问题，本发明按照患者间范式将250名患者随机分为5组，每组50名患者（每组随机挑选50000个片段，非AF:AF为1:1），选取其中的1组进行训练，剩余的4组作为测试，重复5次实验，计算LX-Net在不同训练集和不同测试集上的平均指标。
本发明基于总体准确率（）和/>分数评估所提方法的性能，两种指标的计算过程如下，
；（25）
；（26）
；（27）
；（28）
其中，TP为真阳性(AF被正确分类为AF)，TN为真阴性（正常被正确分类为正常），FN为假阴性(AF被错误分类为正常)，FP为假阳性(正常被错误分类为AF)，为召回率，为精度。
本发明的训练过程使用了早停策略，如果验证集的准确率连续5轮不提高，则停止训练。SPHDB中用于训练的样本被随机分为训练集和验证集，比例为7：3。LX-Net的平均准确率与平均F1分数分别达到了96.07%和96.01%。这表明LX-Net提取的特征能够有效的区分AF样本与非AF样本，在AF识别中的误检率以及漏检率较低。受DL随机性和样本分布的影响，LX-Net在不同测试集上的结果有3%~4%的波动，但是LX-Net最低的平均准确率与平均F1分数能够达到94.88%和 94.25%。这说明本发明提出的LX-Net面对样本分布存在严重差异的训练集和测试集时，依旧能够有效的识别AF的公共特征，在临床应用过程中不受地域、性别和人员构成等的限制，在识别AF时具有良好的鲁棒性和泛化性。
在实验过程中，我们发现LX-Net对于个别患者的连续片段出现了误检的情况，为了探索错误分类的原因，本发明挑选了被错分的样本进行分析，通过分析发现，这一部分样本RR间期整齐，但是普遍存在基线不稳的情况，LX-Net将基线不稳判定为无序颤动状态，并认为样本的基线消失，而基线消失是临床医生判断AF的重要指标之一，所以LX-Net将其误认为AF。样本的P波与T波幅值接近，并且T波之后的基线消失，但因为RR间期规整和P波存在，临床医生认定该片段为非AF。ECG信号出现频繁的颤动，说明此处噪声干扰较大或者掺杂其它疾病，导致LX-Net将非AF误诊为AF。为了降低LX-Net对上述情况的误检率，本发明搜寻了两名患者作为数据扩充，这两名患者的Ⅱ导联ECG记录均为基线不稳或T波之后基线消失的情况。将这两名患者添加到SPHDB的训练集中，构成SPHDB Plus。经过数据扩增之后，LX-Net在不同训练集和不同测试集上的整体性能均出现了提升：
（1）：总体的平均准确率和平均F1分数分别提高了0.45%和0.52%。
（2）：当训练集不同，测试集相同时，平均准确率与平均F1分数最高提升了0.97%和1.57%。
（3）：当测试集不同，训练集相同时，平均准确率与平均F1分数最高提升了1.87%和1.86%。
这说明数据扩增之后，LX-Net不仅保留了在SPHDB中学习到的AF特征，并根据新添加的患者学习到了基线不稳与AF导致的基线消失之间的差别，使得LX-Net在保证良好临床通用性的前提下，对于罕见的非常规ECG也能够做出准确的判断。
为了进一步体现LX-Net的优越性，本发明以MT-DCNN、Squeeze Net、Mobile Net、1D-DCNN和Ghost Net作为对照模型设计了一组对照实验，结果显示，LX-Net达到了98.39±0.48%的平均准确率与98.38±0.49%的平均F1分数，并且仅有39.04K的参数量和8.16M的计算量。
MT-DCNN使用了多任务相互辅助的思想，最高达到了97.91%的准确率和F1分数，在不同的数据集上均有良好的表现，LX-Net在不同测试集上的平均准确率和平均F1分数均高于MT-DCNN 2%~3%，并且LX-Net的标准差均小于MT-DCNN，说明LX-Net对于不同数据集的泛化性和稳定性要优于MT-DCNN， LX-Net的参数量与计算量分别为MT-DCNN的0.3%和0.5%，算法的运算成本远低于MT-DCNN。
Squeeze Net作为最早受到认可的轻量化模型之一，在直接泛化到本发明中时完全失效，这说明DL模型在不同领域之间的通用性尚存在较大的问题。
Mobile Net作为一款成熟的轻量化模型最高取得了99.02%的准确率和F1分数，其在不同测试集上的平均性能比LX-Net高0.41%， LX-Net的计算量F和参数量P仅为MobileNet的1%，其复杂性远低于Mobile Net，更符合移动端部署的要求。
1D-DCNN是基于倒置残差模块的轻量化模型，运算成本仅低于LX-Net。但是在面对样本分布差异过大的训练集和测试集时，1D-DCNN出现了失效的情况。虽然比LX-Net的平均性能高0.4%，但是，其轻量化程度、稳定性和学习能力较差。
Ghost Net是新一代轻量化模型，在SPHDB Plus上达到了98.98%的准确率和98.97%的F1分数。LX-Net的平均性能仅比Ghost Net高出0.1%， LX-Net的参数量P与计算量F不足Ghost Net的5%，这说明LX-Net在性能和运算成本方面均优于Ghost Net。
综上所述，本发明提出的LX-Net不仅在AF识别任务中具有较高的准确性、较低的误检率和漏检率，在算法的整体运算成本和稳定性方面均优于现有的轻量化模型。
LX-Net只有39.04K的参数量和8.16M的计算量，在由252名患者的穿戴式心电记录构成的临床数据集上，准确率与F1分数分别达到了98.39±0.48%和98.38±0.49%。
在结果对比中发现使用不同的训练集和测试集时，1D-DCNN和Squeeze Net在SPHDB Plus上出现了失效的情况，通过将这两个模型与其它的模型对比，本发明发现1D-DCNN和Squeeze Net的失效原因与舍弃了Batch Normalization（BN）层有关。为了探究BN层是否是导致模型失效的原因，我们在模型中的每一层卷积之后添加了BN层，结果表明，1D-DCNN在添加BN层以后，最高达到了98.56±0.59%的平均准确率和98.55±0.31%平均F1分数。Squeeze Net在添加BN层以后，最高的平均准确率和平均F1分数分别达到了97.22±1.53%和98.18±0.88%。由此得出，1D-DCNN和Squeeze Net添加BN层以后，稳定性与自适应性均得到了明显的改善。原因分析如下：
1）从输入的样本分析：1D-DCNN以1s的原始信号作为输入时具有良好的效果，而本发明为了获取更多的AF信息选择以15s的原始信号为输入。与1s的ECG信号相比，15s的ECG信号信息量更为复杂，这导致训练过程中不同批次之间的样本差异性较大。如果不利用BN层进行规范化处理，训练过程会表现出严重的振荡现象，增加了梯度消失或爆炸的概率。
2）从任务的角度分析：Squeeze Net在二维卷积（多分类任务）中有着良好的表现，但是在本发明中失效。这是因为本发明为二分类任务，训练过程较快，网络学习过程中上下两层卷积之间的权重变化较大，并且同层中的权重分布较为离散。如果放弃BN层，直接对上层输出的特征进行卷积会增加层与层之间的依赖度，造成上下层分布的差异性逐渐增大，经过多层累计之后造成梯度消失或爆炸现象，最终导致模型失效。
3）从训练的角度分析：本发明提出的LX-Net等价于映射函数，即将原始ECG转换为非AF或AF的标签，LX-Net的训练过程可以看作输入ECG逼近输出的过程。假设输入ECG与输出/>之间的几何距离为/>，在学习率为/>的前提下，训练/>轮后，输入ECG最大程度地逼近输出/>，即/>。学习率越高，/>时所需要的/>就越少，为此本发明的初始学习率设为0.01，但是高学习率会增加梯度消失或爆炸的风险。BN层通过对整个网络的激活输出进行归一化处理，防止了微小的参数变化被放大为较大的梯度改变，避免了训练陷入非线性的饱和状态。
4）从模型的角度分析：模型的输入经过多次非线性变换之后，其分布逐渐发生偏移，整体分布逐渐往非线性函数取值区间的上下限两端靠近，使得落在激活函数敏感区域的权重值减少，造成了梯度下降过程中能够有效参与更新梯度的权重值的数量减少，经过逐层累计降低了神经元在学习过程中的作用，导致模型学习能力下降。而BN层通过规范化的手段，把每层输入数据的分布转换为标准分布，使得数据能够分布在激活函数的敏感区域，弱化了梯度下降过程中分布偏移的影响，在一定程度上提高了每个神经元在网络学习中的作用。由于轻量化模型用于更新梯度的权重值和参与学习的神经元在数量上少于常规模型，所以轻量化模型受到神经元失效的影响更大，即BN层对于轻量化模型性能的影响更为明显。
随着DL模型的进一步发展，对海量数据和计算能力的要求将持续增加，传统的模式已经难以满足实时性的要求，所以实现模型的轻量化，降低模型对计算能力的要求成为未来的发展趋势。在本发明中，我们提出了一种轻量化的双路径X型网络（LX-Net）用于AF的识别。与之前用于AF检测的DL模型相比，LX-Net在保证高精度AF识别的前提下，进一步简化算法的复杂程度，实现了轻量化的设计理念。与轻量化的AF检测算法相比，LX-Net在追求轻量化的同时兼顾了模型的特征挖掘能力，在进一步改善了AF检测算法的轻量化程度的前提下，算法的可靠性以及准确性方面也取得了相应的提升。
考虑到DC在降低特征提取过程中的计算复杂度时，阻断了不同通道之间的信息传递，在一定程度上降低了网络提取AF特征的能力，本发明在特征提取过程中利用标准卷积辅助DC。根据公式（5）和（6）分析，对相同的样本进行卷积计算时，DC的参数量为1×1卷积的倍，计算量为1×1卷积的/>倍。在网络设计过程中，卷积核的尺寸/>且远小于卷积核的数量/>，所以DC的参数量和计算量远小于1×1卷积。而且DC的感受域大于1×1卷积，在特征提取过程中捕捉特征的范围大于1×1卷积，与Expand层相比，本发明中每一层的局部特征提取能力有所提高，并且轻量化程度得到进一步改善。
为了实现分布式网络中层与层之间的信息传递，本发明提出了逐层交叉指导机制，利用轻量化注意力模块快速捕捉关键信息的特点，引导不同路径中同一层卷积的信息流通。其中主路径在精准捕捉AF重要的局部信息的同时，将自身获取的信息经过注意力机制编码传递给辅助路径，使得辅助路径能够有效的得知主路径缺失的信息。然后基于标准卷积通道全覆盖的特点，辅助路径针对主路径缺失的信息进行重点补充学习，并通过注意力机制对提取的信息进行编码，加权到主路径提取的特征图中。应用逐层交叉指导机制之后，LX-Net加强了不同路径之间的信息交互，既提取了AF的深度信息，又保持了不同信息之间的内在关系，实现了不同路径之间的功能互补。
为了实现不同路径和不同层的特征融合，本发明利用注意力机制和二维卷积模板设计了用于特征筛选和特征融合的注意力融合机制。首先使用注意力机制对所有的特征进行初步筛选，捕捉与AF识别相关性较高的特征，然后利用二维卷积模板感受域广，学习能力强的特点对不同层的特征进行卷积融合。与原始的特征集合相比，经过注意力机制筛选后的特征集合的信息冗余度下降，与LX-Net预测概率之间的几何距离缩短，降低了特征融合时学习权重的难度。与简单的拼接以及线性相加不同，注意力融合机制采用了卷积计算进行特征融合，对来自不同层的特征值进行加权处理，放大了深层次特征对AF识别的作用。不同于对整个特征向量进行加权，对每一个特征值进行加权更注重细节信息的作用。与人为设定的权重值不同，注意力融合机制的权重值是根据损失函数的反向传播得到的，更加具有客观性。应用注意力融合机制之后，不仅精准的融合了不同路径和不同层之间的AF信息，还消除了特征融合过程中常见的信息冗余问题。
此外，我们采集了252名AF患者建立了一个用于AF检测的数据集。与MIT-BIHAtrial Fibrillation Database (AFDB)相比，本发明建立的SPHDB Plus数据集在人员构成和年龄范围等方面更加多元化，并且患者数量和记录时长均超过AFDB，所以在SPHDBPlus上对模型进行验证更加贴近于临床实验。在数据划分方面，不同于K折交叉验证，本发明中训练集的样本量远小于测试集，与临床中有标记的样本远少于无标记样本的实际情况吻合，因此本发明得到的实验结果更具有真实性。在检验算法的有效性方面，与大多数研究不同，本发明同时检验了模型面对不同训练集时的鲁棒性和面对不同测试集时的泛化性。
本发明提出了一种轻量化双路径X型网络（LX-Net），并初步探究了BN层对轻量化模型性能的影响。LX-Net利用分布式思想构建了两条轻量级路径。在使用深度可分离卷积提取AF深层次信息的同时，利用少量标准卷积弥补了深度可分离卷积不同通道的信息无法交互的问题。逐层交叉指导机制通过注意力编码实现了主路径与辅助路径之间的信息交互。注意力融合机制对来自不同路径和不同层之间的每一个特征值进行了精准的筛选与客观的加权融合。与现有的算法以及经典的轻量化DL模型相比，LX-Net实现了更加准确和更加稳定的AF检测，降低了算法的成本以及硬件的要求，具有良好的临床应用前景。实验结果对多种生理信号的分析（例如脑电信号、心音信号以及脉搏信号等）和机器视觉领域的研究（例如图像识别和图像分割等）均具有指导意义。
本发明提出的LX-Net在轻量化程度、稳定性和准确性方面明显优于现有的AF检测算法。通过可视化技术分析发现，LX-Net在学习过程和学习结果中的重点关注区域与临床诊断一致，具有良好的可解释性，在AF的临床诊断中具有广阔的前景。
本发明提出了一种轻量化的双路径X型网络（LX-Net）。该网络以一维ECG作为输入，基于分布式的思想、深度可分离卷积(DC)与标准卷积构建两条相互辅助的轻量级路径，其中主路径由DC构建，负责提取独立的AF特征，辅助路径由标准卷积构建，保证网络学习到的信息具有时序性。利用逐层交叉指导机制引导不同路径之间同层卷积的信息传递，实现两条路径之间层与层的信息交互。借助基于二维卷积模板与注意力机制构建的注意力融合机制对不同路径之间和不同层之间的信息进行再学习，实现精准的特征筛选与特征融合功能。同时，针对二维卷积模型直接泛化成一维卷积模型的情况进行了分析，并对轻量化模型的稳定性做了初步的探究。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于轻量化设计和特征融合的心房颤动检测系统，其特征是，包括：
获取模块，其被配置为：获取待检测的心电信号；
检测模块，其被配置为：将待检测的心电信号，输入到训练后的心房颤动检测模型中，输出心房颤动检测结果；
其中，训练后的心房颤动检测模型，包括：并列的主路径和辅助路径；
其中，主路径，包括依次连接的若干个深度可分离卷积层；
辅助路径包括若干个依次连接的标准卷积层；
深度可分离卷积层与标准卷积层之间存在一一对应关系；
深度可分离卷积层与对应的标准卷积层之间通过交叉引导机制模块连接；
每个深度可分离卷积层与对应的标准卷积层的输出端均与对应的注意力融合机制模块连接；
其中，主路径和辅助路径均用于实现心电信号中的特征提取；交叉引导机制模块用于实现特征的信息交互；注意力融合机制模块用于实现特征融合；最后采用分类器对融合后的特征进行识别，输出心房颤动的检测结果。
2.如权利要求1所述的基于轻量化设计和特征融合的心房颤动检测系统，其特征是，所述主路径，包括依次串联的九个深度可分离卷积层；所述辅助路径，包括依次串联的九个标准卷积层；
九个深度可分离卷积层与九个标准卷积层之间存在一一对应关系；
深度可分离卷积层与对应的标准卷积层之间通过交叉引导机制模块连接，交叉引导机制模块的数量为九个；
前三个深度可分离卷积层的输出端和前三个标准卷积层的输出端，均与第一注意力融合机制模块的输入端连接；
中间三个深度可分离卷积层的输出端和中间三个标准卷积层的输出端，均与第二注意力融合机制模块的输入端连接；
最后三个深度可分离卷积层的输出端和最后三个标准卷积层的输出端，均与第三注意力融合机制模块的输入端连接；
第一、第二和第三注意力融合机制模块的输出端均与融合模块的输入端连接，融合模块的输出端与分类器的输入端连接。
3.如权利要求1所述的基于轻量化设计和特征融合的心房颤动检测系统，其特征是，所述交叉引导机制模块，包括：并列的两个分支：第一分支和第二分支；
所述第一分支，包括：依次连接的第一全局平均池化层、第一全连接层、第一激活函数层、第二全连接层、第二激活函数层和第一乘法器；
所述第二分支，包括：依次连接的第二全局平均池化层、第三全连接层、第三激活函数层、第四全连接层、第四激活函数层和第二乘法器；
所述第一全局池化层的输入端用于输入当前交叉引导机制模块对应的深度可分离卷积层的输出值；
所述第二全局池化层的输入端用于输入当前交叉引导机制模块对应的标准卷积层的输出值；
所述第一乘法器的输出端与当前交叉引导机制模块对应的标准卷积层的输入端连接；
所述第二乘法器的输出端与当前交叉引导机制模块对应的深度可分离卷积层的输入端连接；
所述第一全局池化层的输入端与第二乘法器的输入端连接；
所述第二全局池化层的输入端与第一乘法器的输入端连接。
4.如权利要求1所述的基于轻量化设计和特征融合的心房颤动检测系统，其特征是，所述交叉引导机制模块，包括：
首先，将主路径与辅助路径中同一层的特征图与/>经过压缩操作/>转换为特征值/>与特征值/>；
对同一层中所有的特征图进行相同的处理之后，得到由主路径特征值构成的特征向量/>和由辅助路径特征值/>构成的特征向量/>；
然后，对特征向量进行激励操作学习每个特征通道的重要性，并得到主路径的权重向量/>与辅助路径的权重向量/>；
最后，将辅助路径的权重向量中的权重值/>加权到主路径中的特征图/>，得到由辅助路径指导的特征图/>；将主路径的权重向量/>中的权重值/>加权到辅助路径中的特征图/>，得到由主路径指导的特征图/>。
5.如权利要求2所述的基于轻量化设计和特征融合的心房颤动检测系统，其特征是，第一、第二和第三注意力融合机制模块的内部结构是一致的，所述第一注意力融合机制模块，包括：
三个并列分支：第三分支、第四分支和第五分支；
所述第三分支、第四分支和第五分支，均包括依次连接的串联拼接层、全局平均池化层、全连接层和激活函数层；
所述第三分支的激活函数层输出端、第四分支的激活函数层输出端和第五分支的激活函数层输出端，均与并联拼接层的输入端连接，并联拼接层的输出端与二维卷积层的输入端连接，二维卷积层的输出端输出最终得到的融合特征向量。
6.如权利要求2所述的基于轻量化设计和特征融合的心房颤动检测系统，其特征是，所述第一、第二和第三注意力融合机制模块的工作过程是一致的，所述第一注意力融合机制模块，包括：
将心房颤动检测模型的第层深度可分离卷积层的输出特征图和第/>层标准卷积层的输出特征图串联拼接以后，得到/>，/>有/>个特征图；
将心房颤动检测模型的第层深度可分离卷积层的输出特征图和第/>层标准卷积层的输出特征图串联拼接以后，得到/>，/>有/>个特征图；
将心房颤动检测模型的第层深度可分离卷积层的输出特征图和第/>层标准卷积层的输出特征图串联拼接以后，得到/>，/>有/>个特征图；
利用全局平均池化层将心房颤动检测模型每一层中的特征图压缩为特征值，每层的特征值构成该层的特征向量，得到第层特征向量为/>、第/>层特征向量为/>，第/>层特征向量为/>；
然后，将不同层的特征向量利用注意力机制进行初步映射；
假设映射之后得到三条长度均为的特征向量/>、和/>，对映射得到的特征向量实行纵向拼接策略，得到一个3×t的二维矩阵；
利用二维卷积层，对3×t的二维矩阵每一列进行卷积计算，将来自不同层的特征值按照学习到的权重加权融合，得到融合特征向量。
7.如权利要求1所述的基于轻量化设计和特征融合的心房颤动检测系统，其特征是，所述训练后的心房颤动检测模型，训练过程包括：
构建训练集、测试集和验证集，所述训练集、测试集和验证集，均包括：已知心房颤动检测结果的心音信号；
将训练集输入到心房颤动检测模型中，对模型进行训练，当模型的损失函数值不再下降或者总迭代次数超过设定次数时，停止训练，得到初步的心房颤动检测模型；
将测试集输入到初步的心房颤动检测模型进行测试；
将验证集输入到初步的心房颤动检测模型进行验证；
将通过测试和验证的模型，作为训练后的心房颤动检测模型输出。
8.如权利要求2所述的基于轻量化设计和特征融合的心房颤动检测系统，其特征是，所述融合模块，包括：依次连接的并联拼接层和二维卷积层。
9.如权利要求1所述的基于轻量化设计和特征融合的心房颤动检测系统，其特征是，所述深度可分离卷积层，包括：
+/>；(1)
其中，表示第/>个输出，/>表示第/>个卷积核的权重，/>表示第/>个输入，/>表示偏差。
10.如权利要求1所述的基于轻量化设计和特征融合的心房颤动检测系统，其特征是，所述标准卷积层，包括：
；（4）
其中，表示第/>个输出，/>表示第/>个卷积核的权重，/>表示第j个输入，/>表示偏差。
CN202310896173.5A 2023-07-21 2023-07-21 基于轻量化设计和特征融合的心房颤动检测系统 Active CN116616792B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310896173.5A CN116616792B (zh) 2023-07-21 2023-07-21 基于轻量化设计和特征融合的心房颤动检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310896173.5A CN116616792B (zh) 2023-07-21 2023-07-21 基于轻量化设计和特征融合的心房颤动检测系统

Publications (2)

Publication Number Publication Date
CN116616792A true CN116616792A (zh) 2023-08-22
CN116616792B CN116616792B (zh) 2023-12-01

Family

ID=87602846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310896173.5A Active CN116616792B (zh) 2023-07-21 2023-07-21 基于轻量化设计和特征融合的心房颤动检测系统

Country Status (1)

Country Link
CN (1) CN116616792B (zh)

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030128801A1 (en) * 2002-01-07 2003-07-10 Multi-Dimensional Imaging, Inc. Multi-modality apparatus for dynamic anatomical, physiological and molecular imaging
CN110840402A (zh) * 2019-11-19 2020-02-28 山东大学 一种基于机器学习的房颤信号识别方法及系统
CN112733774A (zh) * 2021-01-18 2021-04-30 大连海事大学 一种基于BiLSTM与串并多尺度CNN结合的轻量化ECG分类方法
CN113288162A (zh) * 2021-06-03 2021-08-24 北京航空航天大学 基于自适应注意力机制的短时心电信号房颤自动检测系统
CN113288163A (zh) * 2021-06-04 2021-08-24 浙江理工大学 基于注意力机制的多特征融合心电信号分类模型建模方法
CN113951866A (zh) * 2021-10-28 2022-01-21 北京深睿博联科技有限责任公司 一种基于深度学习的子宫肌瘤诊断方法及装置
CN114652322A (zh) * 2022-03-24 2022-06-24 中南大学 一种基于多域特征学习的心电信号分类方法和系统
CN114711725A (zh) * 2022-04-15 2022-07-08 华南师范大学 一种基于双重注意力机制的睡眠呼吸暂停检测方法及装置
US20220309268A1 (en) * 2021-03-26 2022-09-29 Boe Technology Group Co., Ltd. Attention mechanism-based 12-lead electrocardiogram classification method and apparatus
CN115238796A (zh) * 2022-07-26 2022-10-25 重庆邮电大学 基于并行damscn-lstm的运动想象脑电信号分类方法
CN115363599A (zh) * 2022-09-22 2022-11-22 山东大学 一种用于心房颤动识别的心电信号处理方法及系统
CN115553752A (zh) * 2022-10-24 2023-01-03 华南理工大学 一种基于多模态数据融合的脑功能障碍辅助评估方法
KR20230001096A (ko) * 2021-06-28 2023-01-04 금오공과대학교 산학협력단 컨볼루션 인공신경망을 이용한 심방세동과 울혈성 심부전의 분류방법
CN115607167A (zh) * 2022-11-18 2023-01-17 中山大学 一种轻量化的模型训练方法、房颤检测方法、装置及系统
CN115736944A (zh) * 2022-09-29 2023-03-07 郑州大学 一种基于短时单导联心电信号的房颤检测模型mcnn-blstm
CN115797931A (zh) * 2023-02-13 2023-03-14 山东锋士信息技术有限公司 一种基于双分支特征融合的遥感图像语义分割方法
CN116186593A (zh) * 2023-03-10 2023-05-30 山东省人工智能研究院 一种基于可分离卷积和注意力机制的心电信号检测方法
WO2023103156A1 (zh) * 2021-12-10 2023-06-15 华中科技大学 一种基于心跳节律信号的房颤发生风险预测系统及其应用
CN116361688A (zh) * 2023-03-20 2023-06-30 重庆大学 用于心电节律自动分类的多模态特征融合模型构建方法

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030128801A1 (en) * 2002-01-07 2003-07-10 Multi-Dimensional Imaging, Inc. Multi-modality apparatus for dynamic anatomical, physiological and molecular imaging
CN110840402A (zh) * 2019-11-19 2020-02-28 山东大学 一种基于机器学习的房颤信号识别方法及系统
CN112733774A (zh) * 2021-01-18 2021-04-30 大连海事大学 一种基于BiLSTM与串并多尺度CNN结合的轻量化ECG分类方法
US20220309268A1 (en) * 2021-03-26 2022-09-29 Boe Technology Group Co., Ltd. Attention mechanism-based 12-lead electrocardiogram classification method and apparatus
CN113288162A (zh) * 2021-06-03 2021-08-24 北京航空航天大学 基于自适应注意力机制的短时心电信号房颤自动检测系统
CN113288163A (zh) * 2021-06-04 2021-08-24 浙江理工大学 基于注意力机制的多特征融合心电信号分类模型建模方法
KR20230001096A (ko) * 2021-06-28 2023-01-04 금오공과대학교 산학협력단 컨볼루션 인공신경망을 이용한 심방세동과 울혈성 심부전의 분류방법
CN113951866A (zh) * 2021-10-28 2022-01-21 北京深睿博联科技有限责任公司 一种基于深度学习的子宫肌瘤诊断方法及装置
WO2023103156A1 (zh) * 2021-12-10 2023-06-15 华中科技大学 一种基于心跳节律信号的房颤发生风险预测系统及其应用
CN114652322A (zh) * 2022-03-24 2022-06-24 中南大学 一种基于多域特征学习的心电信号分类方法和系统
CN114711725A (zh) * 2022-04-15 2022-07-08 华南师范大学 一种基于双重注意力机制的睡眠呼吸暂停检测方法及装置
CN115238796A (zh) * 2022-07-26 2022-10-25 重庆邮电大学 基于并行damscn-lstm的运动想象脑电信号分类方法
CN115363599A (zh) * 2022-09-22 2022-11-22 山东大学 一种用于心房颤动识别的心电信号处理方法及系统
CN115736944A (zh) * 2022-09-29 2023-03-07 郑州大学 一种基于短时单导联心电信号的房颤检测模型mcnn-blstm
CN115553752A (zh) * 2022-10-24 2023-01-03 华南理工大学 一种基于多模态数据融合的脑功能障碍辅助评估方法
CN115607167A (zh) * 2022-11-18 2023-01-17 中山大学 一种轻量化的模型训练方法、房颤检测方法、装置及系统
CN115797931A (zh) * 2023-02-13 2023-03-14 山东锋士信息技术有限公司 一种基于双分支特征融合的遥感图像语义分割方法
CN116186593A (zh) * 2023-03-10 2023-05-30 山东省人工智能研究院 一种基于可分离卷积和注意力机制的心电信号检测方法
CN116361688A (zh) * 2023-03-20 2023-06-30 重庆大学 用于心电节律自动分类的多模态特征融合模型构建方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
姚易;廖晓阳;李志超;: "计算机辅助诊断模型助力基层医疗机构诊断阵发性心房颤动", 中国全科医学, no. 02 *
朱宇: "基于多光谱信息融合的行人检测研究", 中国优秀硕士学位论文全文数据库 *
谢胜龙;张为民;鲁玉军;张文欣;朱俊江;任国营;: "基于一维卷积神经网络的房颤智能诊断方法研究", 计量学报, no. 05 *

Also Published As

Publication number Publication date
CN116616792B (zh) 2023-12-01

Similar Documents

Publication Publication Date Title
Murugesan et al. Ecgnet: Deep network for arrhythmia classification
Alquran et al. ECG classification using higher order spectral estimation and deep learning techniques
Wang An intelligent computer-aided approach for atrial fibrillation and atrial flutter signals classification using modified bidirectional LSTM network
Das et al. Heartbeat classification in wearables using multi-layer perceptron and time-frequency joint distribution of ECG
CN110638430B (zh) 级联神经网络ecg信号心律失常分类模型的搭建方法
Dhull et al. ECG beat classifiers: a journey from ANN to DNN
CN111956208B (zh) 一种基于超轻量级卷积神经网络的ecg信号分类方法
Khan et al. Electrocardiogram heartbeat classification using convolutional neural networks for the detection of cardiac Arrhythmia
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
CN111261278A (zh) 一种基于三维图像的深度学习模型的心脏疾病检测方法
Ghaffari et al. Atrial fibrillation identification based on a deep transfer learning approach
Golrizkhatami et al. Multi-scale features for heartbeat classification using directed acyclic graph CNN
Katsaouni et al. Energy efficient convolutional neural networks for arrhythmia detection
CN116616792B (zh) 基于轻量化设计和特征融合的心房颤动检测系统
Harrane et al. Classification of ECG heartbeats using deep neural networks
Kiranyaz et al. Biosignal time-series analysis
Tran et al. A predictive model for ECG signals collected from specialized IoT devices using deep learning
Sangeetha et al. A CNN based similarity learning for cardiac arrhythmia prediction
WO2021042372A1 (zh) 心房颤动预测模型及其预测系统
Phukan et al. Convolutional neural network based atrial fibrillation detection from ECG signal
Surendren et al. Machine learning algorithms for skin cancer diagnosis: Comparative analysis
Li et al. ECG Classification with Dual Models: XGBoost Voting and Deep Learning with Attention
Abrishami et al. Semantic ECG interval segmentation using autoencoders
Sadeghi et al. Diagnosing left bundle branch block in 12-lead electrocardiogram using self-attention convolutional neural networks
Almazrouei et al. A model to enhance the atrial fibrillations’ risk detection using deep learning

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