CN108937912A - 一种基于深度神经网络的自动心律失常分析方法 - Google Patents

一种基于深度神经网络的自动心律失常分析方法 Download PDF

Info

Publication number
CN108937912A
CN108937912A CN201810451728.4A CN201810451728A CN108937912A CN 108937912 A CN108937912 A CN 108937912A CN 201810451728 A CN201810451728 A CN 201810451728A CN 108937912 A CN108937912 A CN 108937912A
Authority
CN
China
Prior art keywords
neural network
deep neural
unit
dimension
sample
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
CN201810451728.4A
Other languages
English (en)
Other versions
CN108937912B (zh
Inventor
臧睦君
危义民
刘通
邹海林
柳婵娟
周树森
贾世祥
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.)
Fengxiang Shandong Medical Technology Co ltd
Original Assignee
Ludong 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 Ludong University filed Critical Ludong University
Priority to CN201810451728.4A priority Critical patent/CN108937912B/zh
Publication of CN108937912A publication Critical patent/CN108937912A/zh
Application granted granted Critical
Publication of CN108937912B publication Critical patent/CN108937912B/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
    • A61B5/72—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
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • 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]

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Cardiology (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种基于深度神经网络的自动心律失常分析方法，它包括：三种采样方式生成多通道心电图样本；所得的600维心电信号沿第二个维度拼接，心电信号由600*1维扩增为600*3维，输入多个依次串联的卷积层单元和LSTM层单元，卷积层单元和LSTM层单元间有attention层；卷积层单元包括一个使用一维卷积的卷积层以及该卷积层输出端依次串联的一激励单元操作和一池化层操作；所述卷积层，用于提取一维心电信号的特征；LSTM层单元的输出串联一个激励单元为softmax的全连接层；输出；学习深度神经网络的参数，对样本进行自动识别；解决了现有心律失常分析***尚不足以满足临床应用的准确率需求的问题。

Description

一种基于深度神经网络的自动心律失常分析方法
技术领域
本发明涉及医学信号处理技术领域,更确切地说一种基于深度神经网络的自动心律失常分析方法。
背景技术
近些年，针对心电图的辅助诊断设备发展迅速，随着信息领域的科技进步，特别是随着模式识别技术的进展，心电图设备的功能不再是仅仅获取心电信号、打印心电图，而是向着挖掘心电图中的有效数据以及自动识别、统计心拍信息方向发展。带自动识别心拍功能的分析设备能够为医生提供更直观有效的心电图信息，有效节省诊断时间，提高医生的诊断效率，是重要的辅助医疗设备之一。
工作在计算器件上的自动心律失常分析***是此类设备的核心，技术途径有两种，一是通过提取表征了心电图有效信息的特征向量，输入到分类器算法得到心拍的类别；二是通过深度学习技术自动学习特征并进行识别，得到心拍的类别。
基于深度学习技术的心律失常分析***可以利用数据红利，有效提高识别精度，然而目前的心律失常分析***尚不足以满足临床应用的准确率需求。
发明内容
本发明的目的是为解决现有心律失常分析***尚不足以满足临床应用的准确率需求的问题，而提供一种基于深度神经网络的自动心律失常分析方法。
一种基于深度神经网络的自动心律失常分析方法，它包括：
1）采用以下三种采样方式进行复合采样，生成多通道心电图样本；
a.对每个导联的心电信号，前后各取100个点再重采样到固定维度600；
b.对每个导联的心电信号，前取2个周期的R-R波区间，后取1个周期的R-R波区间，再重采样到固定维度600；
c.对每个导联的心电信号，前取2个周期的R-R波区间并重采样到300维，后取1个周期的R-R波区间并重采样到300维，最后将前后重采样的信号拼接形成600维信号；
将上述三种采样方式所得的600维心电信号沿第二个维度拼接，每导联心电信号由600*1维扩增为600*3维，此时的3为该导联心电信号的通道数；将原始每个导联的心电数据经过所述复合采样方式形成上述600*3维的心电信号样本X，作为深度神经网络模型的输入Input；
2)搭建深度神经网络
深度神经网络包括多个依次串联的卷积层单元和LSTM层单元，且在卷积层单元和LSTM层单元间有attention层作为连接单元；每个所述卷积层单元包括一个卷积层以及该卷积层输出端依次串联的一激励单元操作和一池化层操作；所述卷积层单元使用的是一维卷积，用于提取一维心电信号的特征；
合并各个通道的心电信号X，作为输入信号输入到串联的卷积层单元中；
LSTM层单元的输出串联一个激励单元为softmax的全连接层；输出；
3）学习深度神经网络的参数；
4）对样本进行自动识别；
所述的搭建深度神经网络，当心电数据集拥有两导联信号时，输入信号维度为600*2；将输入信号输入到串联的两层卷积层单元中，每一层卷积层单元的输出端依次串联的一激励单元操作和一池化层操作；第一个卷积层单元的卷积核数为32个，卷积核大小为4，其后的激励单元为relu函数，池化层单元的池化核大小为6，池化步长为3；经过第一层池化单元后的特征图维度为200*32；第二个卷积层单元的卷积核数为64个，卷积核大小为5，其后的激励单元为relu函数，池化层单元的池化核大小为6，池化步长为3；经过第二层池化单元后的特征图维度为67*64；
所述的深度神经网络为两个依次串联的卷积层单元和LSTM层单元；
两层卷积单元的输出串联一个attention单元，attention单元构造了一个维度同样为67*64的权重矩阵与卷积后的特征图对应元素点乘，加权后的特征图输出维度为67*64。这个权重矩阵的元素由神经网络训练得来，矩阵元素初始值为范围在0-1之间的随机数。将加权后的特征图输入到LSTM层单元中，取LSTM层单元的隐藏层数为128，LSTM层单元输出特征图维度为128。LSTM层单元的输出串联一个激励单元为softmax的全连接层，全连接层的层数为4，即类别数。最终所述深度神经网络模型输出预测向量维度；
所述的深度神经网络输出的预测向量维度为4；使用keras开源框架和python语言搭建，使用交叉熵作为损失函数，使用Adam优化器优化损失函数；
所述的学习深度神经网络的参数为：初始化所述深度神经网络的训练参数，将采样好的信号划分为训练集样本和测试集样本；即从总体样本中随机抽取一部分数目的样本当作训练集，对于其他未选中的样本视为测试集。再将训练集中的多通道心电信号X输入到初始化后的深度神经网络中，以最小化代价函数为目标进行迭代，以生成所述深度神经网络并保存下来；其中，每迭代一次则更新一次所述训练参数，直至最后所述的深度神经网络的损失值和准确率稳定在某一数值附近，即可停止训练并保存当前网络的训练参数和模型结构信息；
所述的对样本进行自动识别为：将划分好的测试集样本全部输入到已保存的所述神经网路中，运行所述深度神经网络即可获得测试集样本对应的4维预测值向量输出，将测试集样本的标签使用one-hot编码的方法生成4维的标签向量，再通过将输出的预测值与测试集样本的标签比对来检查是否分类正确。
附图说明
图1为深度神经网络结构图。
具体实施方式
实施例1基于深度神经网络的自动心律失常分析方法
下面结合附图和具体的实施方式对本发明作进一步说明。
具体实例为国际通行心电图数据库MIT-BIH Arrhythmia Database(mitdb)，该数据库的数据及使用说明公开于行业内周知的physionet.org网站；数据库包含47位患者两导联方式的半小时360Hz心电图记录，并已通过了心脏病医生手动标注；从所述数据集中选出四种按照AAMI标准划分的心拍类别组合作为效果评估依据，包括N类（正常心拍或束支传导阻滞心拍）、S类（室上性异常心拍）、V类（心室异常心拍）、F类（融合心拍）；这四种类别的标签以及与mitdb数据集中类别的对应关系如表1；在本实例中，通过工作在计算机上的软件***和行业内所周知的Matlab和python仿真环境进行实现。
本实施例的详细步骤如下：
一 .采用复合采样方式生成多通道心电图样本的实现
将所述的mitdb数据集中的原始信号去噪后，采用如下三种采样方式扩增信号的通道数：
（1）采样方式一为：对每个导联的心电信号，前后各取100个点再重采样到固定维度600；
（2）采样方式二为：对每个导联的心电信号，前取2个周期的R-R波区间，后取1个周期的R-R波区间，再重采样到固定维度600；
（3）采样方式三为：对每个导联的心电信号，前取2个周期的R-R波区间并重采样到300维，后取1个周期的R-R波区间并重采样到300维，最后将前后重采样的信号拼接形成600维信号；
将由此三种采样方式所得的600维心电信号沿第二个维度拼接，每导联心电信号由600*1维扩增为600*3维，此时的3为该导联心电信号的通道数；将原始每个导联的心电数据经过所述复合采样方式形成上述600*3维的样本X，作为深度神经网络模型的输入。
二 .搭建深度神经网络
（1）所述深度神经网络的具体结构
所述深度模型输入为合并各个通道后的心电信号X，因为mitdb数据集拥有两导联信号，所以输入信号维度为600*6；将输入信号输入到串联的两层卷积层单元中，每一层卷积层单元的输出端依次串联的一激励单元操作和一池化层操作；第一个卷积层单元的卷积核数为32个，卷积核大小为4，其后的激励单元为relu函数，池化层单元的池化核大小为6，池化步长为3；经过第一层池化单元后的特征图维度为200*32；第二个卷积层单元的卷积核数为64个，卷积核大小为5，其后的激励单元为relu函数，池化层单元的池化核大小为6，池化步长为3；经过第二层池化单元后的特征图维度为67*64；
两层卷积单元的输出串联一个attention单元，所述的深度神经网络中attention单元构造了一个维度同样为67*64的权重矩阵与卷积后的特征图对应元素点乘，加权后的特征图输出维度为67*64；这个权重矩阵的元素由神经网络训练得来，矩阵元素初始值为范围在0-1之间的随机数。将加权后的特征图输入到LSTM层单元中，取LSTM层单元的隐藏层数为128，LSTM层单元输出特征图维度为128；LSTM层单元的输出串联一个激励单元为softmax的全连接层，全连接层的层数为4，即类别数。最终所述深度神经网络模型输出的预测向量y_pred维度为4。
（2）所述深度神经网络的具体实现
所述模型使用keras开源框架和python语言搭建，网路结构参数如表3。所述深度神经网络使用keras框架中的函数式模型搭建，即从 keras.models模块中导入Model函数，设置Model的输入为所述经过复合采样后的多通道心电信号X，输出为维度为4的预测向量y_pred；通过导入keras.layers模块中的Convolution1D函数构造一维卷积层，通过导入keras.layers模块中的MaxPool1D函数构造一维最大化池化层，通过导入keras.layers模块中的LSTM函数构造LSTM层单元，并设置LSTM函数中的dropout参数和recurrent_dropout参数为0.2。
三．学习深度神经网络的参数
首先初始化所述深度神经网络的训练参数，将采样好的信号划分为训练集样本和测试集样本，划分后的数据集如表2所示。将训练集中使用复合方式采样后的多通道心电信号输入到初始化后的深度神经网络中，所述深度神经网络中使用交叉熵作为代价函数；Keras中使用categorical_crossentropy函数，所述深度神经网络中通过构建的函数式模型Model实例化一个对象model，在model.compile函数中设置参数loss为'categorical_crossentropy'； 并使用Adam优化器以最小化代价函数为目标进行迭代，通过在model.compile函数中设置参数optimizer为‘Adam’进行优化， 以生成所述深度神经网络并保存为hd5后缀的文件model1.hd5；其中，每迭代一次则更新一次所述训练参数；直至最后所述的深度神经网络的损失值和准确率稳定在某一数值附近，即可停止训练并保存当前网络的训练参数和模型结构信息；所述深度神经网络共训练了3000个批次，每个批次为64个样本。
四 .对样本进行自动识别
将划分好的测试集样本全部输入到已保存的所述神经网路model1.hd5中，运行所述深度神经网络即可获得测试集样本对应的4维预测值向量输出y_pred，将测试集样本的标签使用one-hot编码的方法生成4维的标签向量y_label，在keras.utils模块中提供np_utils.to_categorical函数对输入的测试集标签进行one-hot编码,再通过将输出的预测值与测试集样本的标签比对来检查是否分类正确,即统计y_pred 和y_label对应位置值相同的样本个数num，用num除以测试集样本总数即为最终的准确率。
按照表1，将AAMI标准下四种类型的心拍进行标记。
表1类别与标签的对照
按照表2所示的数量，随机抽取所有心拍中的一部分作为实施例的分类训练集；在剩余的心拍中，除去训练集以外的所有心拍作为测试集。
表2 训练样本和测试样本数量
按照表3所列的网络结构参数，网络每层的层类型如Type列中对应位置的参数值，每层的层类型如Output layer列中对应位置的参数值，将网络每层的核大小设为Kernel size中对应位置的参数值，将网络每层核的移动步长设为Strides中对应位置的参数值。
如表3所示
。

Claims (6)

1.一种基于深度神经网络的自动心律失常分析方法，它包括：
1）采用以下三种采样方式进行复合采样，生成多通道心电图样本；
a.对每个导联的心电信号，前后各取100个点再重采样到固定维度600；
b.对每个导联的心电信号，前取2个周期的R-R波区间，后取1个周期的R-R波区间，再重采样到固定维度600；
c.对每个导联的心电信号，前取2个周期的R-R波区间并重采样到300维，后取1个周期的R-R波区间并重采样到300维，最后将前后重采样的信号拼接形成600维信号；
将上述三种采样方式所得的600维心电信号沿第二个维度拼接，每导联心电信号由600*1维扩增为600*3维，此时的3为该导联心电信号的通道数；将原始每个导联的心电数据经过所述复合采样方式形成上述600*3维的心电信号样本X，作为深度神经网络模型的输入Input；
2)搭建深度神经网络
深度神经网络包括多个依次串联的卷积层单元和LSTM层单元，且在卷积层单元和LSTM层单元间有attention层作为连接单元；每个所述卷积层单元包括一个卷积层以及该卷积层输出端依次串联的一激励单元操作和一池化层操作；所述卷积层单元使用的是一维卷积，用于提取一维心电信号的特征；
合并各个通道的心电信号X，作为输入信号输入到串联的卷积层单元中；
LSTM层单元的输出串联一个激励单元为softmax的全连接层；输出；
3）学习深度神经网络的参数；
4）对样本进行自动识别。
2.根据权利要求1所述的一种基于深度神经网络的自动心律失常分析方法，其特征在于：
所述的搭建深度神经网络，当心电数据集拥有两导联信号时，输入信号维度为600*2；将输入信号输入到串联的两层卷积层单元中，每一层卷积层单元的输出端依次串联的一激励单元操作和一池化层操作；第一个卷积层单元的卷积核数为32个，卷积核大小为4，其后的激励单元为relu函数，池化层单元的池化核大小为6，池化步长为3；经过第一层池化单元后的特征图维度为200*32；第二个卷积层单元的卷积核数为64个，卷积核大小为5，其后的激励单元为relu函数，池化层单元的池化核大小为6，池化步长为3；经过第二层池化单元后的特征图维度为67*64。
3.根据权利要求2所述的一种基于深度神经网络的自动心律失常分析方法，其特征在于：所述的深度神经网络为两个依次串联的卷积层单元和LSTM层单元；
两层卷积单元的输出串联一个attention单元，attention单元构造了一个维度同样为67*64的权重矩阵与卷积后的特征图对应元素点乘，加权后的特征图输出维度为67*64；这个权重矩阵的元素由神经网络训练得来，矩阵元素初始值为范围在0-1之间的随机数；将加权后的特征图输入到LSTM层单元中，取LSTM层单元的隐藏层数为128，LSTM层单元输出特征图维度为128；LSTM层单元的输出串联一个激励单元为softmax的全连接层，全连接层的输出维度为4，即类别数；最终所述深度神经网络模型输出预测向量维度。
4.根据权利要求3所述的一种基于深度神经网络的自动心律失常分析方法，其特征在于：所述的深度神经网络输出的预测向量维度为4；使用keras开源框架和python语言搭建，使用交叉熵作为损失函数，使用Adam优化器优化损失函数。
5.根据权利要求1、2、3或4所述的一种基于深度神经网络的自动心律失常分析方法，其特征在于：所述的学习深度神经网络的参数为：初始化所述深度神经网络的训练参数，将采样好的信号划分为训练集样本和测试集样本；即从总体样本中随机抽取一部分数目的样本当作训练集，对于其他未选中的样本视为测试集，再将训练集中的多通道心电信号X输入到初始化后的深度神经网络中，以最小化代价函数为目标进行迭代，以生成所述深度神经网络并保存下来；其中，每迭代一次则更新一次所述训练参数，直至最后所述的深度神经网络的损失值和准确率稳定在某一数值附近，即可停止训练并保存当前网络的训练参数和模型结构信息。
6.根据权利要求5所述的一种基于深度神经网络的自动心律失常分析方法，其特征在于：所述的对样本进行自动识别为：将划分好的测试集样本全部输入到已保存的所述神经网路中，运行所述深度神经网络即可获得测试集样本对应的4维预测值向量输出，将测试集样本的标签使用one-hot编码的方法生成4维的标签向量，再通过将输出的预测值与测试集样本的标签比对来检查是否分类正确。
CN201810451728.4A 2018-05-12 2018-05-12 一种基于深度神经网络的自动心律失常分析方法 Active CN108937912B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810451728.4A CN108937912B (zh) 2018-05-12 2018-05-12 一种基于深度神经网络的自动心律失常分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810451728.4A CN108937912B (zh) 2018-05-12 2018-05-12 一种基于深度神经网络的自动心律失常分析方法

Publications (2)

Publication Number Publication Date
CN108937912A true CN108937912A (zh) 2018-12-07
CN108937912B CN108937912B (zh) 2021-05-11

Family

ID=64499209

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810451728.4A Active CN108937912B (zh) 2018-05-12 2018-05-12 一种基于深度神经网络的自动心律失常分析方法

Country Status (1)

Country Link
CN (1) CN108937912B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109657722A (zh) * 2018-12-20 2019-04-19 山东农业大学 基于深度学习算法的舌苔图像识别方法及***
CN109875546A (zh) * 2019-01-24 2019-06-14 西安交通大学 一种面向心电图数据的深度模型分类结果可视化方法
CN110141219A (zh) * 2019-06-20 2019-08-20 鲁东大学 基于导联融合深度神经网络的心肌梗死自动检测方法
CN110141220A (zh) * 2019-06-20 2019-08-20 鲁东大学 基于多模态融合神经网络的心肌梗死自动检测方法
CN111557660A (zh) * 2020-06-08 2020-08-21 东北大学 一种亚群体深度学习框架下的心律失常识别方法
CN111956212A (zh) * 2020-07-29 2020-11-20 鲁东大学 基于频域滤波-多模态深度神经网络的组间房颤识别方法
CN112617850A (zh) * 2021-01-04 2021-04-09 苏州大学 心电信号的早搏心拍检测方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6556860B1 (en) * 2000-03-15 2003-04-29 The Regents Of The University Of California System and method for developing a database of body surface ECG flutter wave data maps for classification of atrial flutter
TW555545B (en) * 2003-01-30 2003-10-01 Unisage Digital Co Ltd System for determining cardiac arrhythmia from electrocardiogram (ECG)
WO2009091583A1 (en) * 2008-01-16 2009-07-23 Massachusetts Institute Of Technology Method and apparatus for predicting patient outcomes form a physiological segmentable patient signal
WO2013043157A2 (en) * 2011-09-20 2013-03-28 Vivaquant Llc Physiological signal denoising
US20160120430A1 (en) * 2014-10-29 2016-05-05 Khalifa University of Science, Technology, and Research Medical device for detecting a ventricular arrhythmia event
CN105748063A (zh) * 2016-04-25 2016-07-13 山东大学齐鲁医院 基于多导联和卷积神经网络的心律失常智能诊断方法
CN105902263A (zh) * 2016-04-29 2016-08-31 深圳市理邦精密仪器股份有限公司 评估心电图波形的rr间期不规则程度的方法及装置
WO2016210063A1 (en) * 2015-06-24 2016-12-29 Cardiac Pacemakers, Inc. Event detection using a variable threshold
CN107122788A (zh) * 2017-03-09 2017-09-01 吉林大学 一种基于心电信号的身份识别方法及装置
CN107184198A (zh) * 2017-06-01 2017-09-22 广州城市职业学院 一种心电信号分类识别方法
CN107510452A (zh) * 2017-09-30 2017-12-26 扬美慧普（北京）科技有限公司 一种基于多尺度深度学习神经网络的心电检测方法
CN107766893A (zh) * 2017-11-03 2018-03-06 电子科技大学 基于标签多级编码神经网络的目标识别方法
CN107811626A (zh) * 2017-09-10 2018-03-20 天津大学 一种基于一维卷积神经网络和s变换的心律失常分类方法
CN107822622A (zh) * 2017-09-22 2018-03-23 成都比特律动科技有限责任公司 基于深度卷积神经网络的心电图诊断方法和***

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6556860B1 (en) * 2000-03-15 2003-04-29 The Regents Of The University Of California System and method for developing a database of body surface ECG flutter wave data maps for classification of atrial flutter
TW555545B (en) * 2003-01-30 2003-10-01 Unisage Digital Co Ltd System for determining cardiac arrhythmia from electrocardiogram (ECG)
WO2009091583A1 (en) * 2008-01-16 2009-07-23 Massachusetts Institute Of Technology Method and apparatus for predicting patient outcomes form a physiological segmentable patient signal
WO2013043157A2 (en) * 2011-09-20 2013-03-28 Vivaquant Llc Physiological signal denoising
US20160120430A1 (en) * 2014-10-29 2016-05-05 Khalifa University of Science, Technology, and Research Medical device for detecting a ventricular arrhythmia event
WO2016210063A1 (en) * 2015-06-24 2016-12-29 Cardiac Pacemakers, Inc. Event detection using a variable threshold
CN105748063A (zh) * 2016-04-25 2016-07-13 山东大学齐鲁医院 基于多导联和卷积神经网络的心律失常智能诊断方法
CN105902263A (zh) * 2016-04-29 2016-08-31 深圳市理邦精密仪器股份有限公司 评估心电图波形的rr间期不规则程度的方法及装置
CN107122788A (zh) * 2017-03-09 2017-09-01 吉林大学 一种基于心电信号的身份识别方法及装置
CN107184198A (zh) * 2017-06-01 2017-09-22 广州城市职业学院 一种心电信号分类识别方法
CN107811626A (zh) * 2017-09-10 2018-03-20 天津大学 一种基于一维卷积神经网络和s变换的心律失常分类方法
CN107822622A (zh) * 2017-09-22 2018-03-23 成都比特律动科技有限责任公司 基于深度卷积神经网络的心电图诊断方法和***
CN107510452A (zh) * 2017-09-30 2017-12-26 扬美慧普（北京）科技有限公司 一种基于多尺度深度学习神经网络的心电检测方法
CN107766893A (zh) * 2017-11-03 2018-03-06 电子科技大学 基于标签多级编码神经网络的目标识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MEHRDAD JAVADI ET AL.: "Classification of ECG arrhythmia by a modular neural network based on Mixture of Experts and Negatively Correlated Learning", 《BIOMEDICAL SIGNAL PROCESSING AND CONTROL》 *
WEIYI YANG ET AL.: "Automatic recognition of arrhythmia based on principal component analysis network and linear support vector machine", 《COMPUTERS IN BIOLOGY AND MEDICINE》 *
梁小龙: "基于CNN和LSTM结合的心律失常分类研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109657722A (zh) * 2018-12-20 2019-04-19 山东农业大学 基于深度学习算法的舌苔图像识别方法及***
CN109875546A (zh) * 2019-01-24 2019-06-14 西安交通大学 一种面向心电图数据的深度模型分类结果可视化方法
CN109875546B (zh) * 2019-01-24 2020-07-28 西安交通大学 一种面向心电图数据的深度模型分类结果可视化方法
CN110141219A (zh) * 2019-06-20 2019-08-20 鲁东大学 基于导联融合深度神经网络的心肌梗死自动检测方法
CN110141220A (zh) * 2019-06-20 2019-08-20 鲁东大学 基于多模态融合神经网络的心肌梗死自动检测方法
CN111557660A (zh) * 2020-06-08 2020-08-21 东北大学 一种亚群体深度学习框架下的心律失常识别方法
CN111956212A (zh) * 2020-07-29 2020-11-20 鲁东大学 基于频域滤波-多模态深度神经网络的组间房颤识别方法
CN111956212B (zh) * 2020-07-29 2023-08-01 鲁东大学 基于频域滤波-多模态深度神经网络的组间房颤识别方法
CN112617850A (zh) * 2021-01-04 2021-04-09 苏州大学 心电信号的早搏心拍检测方法
CN112617850B (zh) * 2021-01-04 2022-08-30 苏州大学 心电信号的早搏心拍检测***

Also Published As

Publication number Publication date
CN108937912B (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
CN108764457B (zh) 基于采样通道融合深度神经网络的自动心律失常分析方法
CN108875575A (zh) 基于多通道信号融合深度神经网络自动心律失常分析方法
CN108937912A (zh) 一种基于深度神经网络的自动心律失常分析方法
CN108962393B (zh) 基于压缩图神经网络的自动心律失常分析方法
CN108720831A (zh) 一种基于导联深度神经网络的自动心律失常分析方法
CN108766557A (zh) 基于通道信号融合神经网络的自动心律失常分析方法
Guan A novel method of plant leaf disease detection based on deep learning and convolutional neural network
JP6522161B2 (ja) ディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザー
CN107203692A (zh) 基于深度卷积神经网络的房颤检测的实现方法
CN110141219B (zh) 基于导联融合深度神经网络的心肌梗死自动检测方法
CN111626114B (zh) 基于卷积神经网络的心电信号心律失常分类***
CN110141220B (zh) 基于多模态融合神经网络的心肌梗死自动检测***
CN107832737A (zh) 基于人工智能的心电图干扰识别方法
CN111956212A (zh) 基于频域滤波-多模态深度神经网络的组间房颤识别方法
CN111785366B (zh) 患者治疗方案的确定方法、装置及计算机设备
CN112270240B (zh) 一种信号处理方法、装置、电子设备和存储介质
CN111710364B (zh) 一种菌群标记物的获取方法、装置、终端及存储介质
CN105574322A (zh) 生理参数指标运算***及方法
CN112957054A (zh) 一种基于通道注意力分组残差网络的12导联心电信号分类方法
Chen et al. End-to-end heart sound segmentation using deep convolutional recurrent network
CN117009780A (zh) 一种基于对比学习的时空频域有效通道注意力运动想象脑电解码方法
CN117079815A (zh) 一种基于图神经网络的心血管疾病风险预测模型构建方法
Park et al. Frequency-aware attention based LSTM networks for cardiovascular disease
Li et al. Inter-patient automated arrhythmia classification: A new approach of weight capsule and sequence to sequence combination
Gon et al. FPGA-based low-cost architecture for R-peak detection and heart-rate calculation using lifting-based discrete wavelet transform

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
TR01 Transfer of patent right

Effective date of registration: 20221209

Address after: 264006 No.1, No. 10, Hengshan Road, Yantai District, China (Shandong) Pilot Free Trade Zone, Yantai City, Shandong Province

Patentee after: Fengxiang (Shandong) Medical Technology Co.,Ltd.

Address before: 264025 No. 186 Hongqi Middle Road, Zhifu District, Shandong, Yantai

Patentee before: LUDONG University

TR01 Transfer of patent right