CN109431492B - 基于神经网络算法的心电图导联数据模拟重建方法 - Google Patents
基于神经网络算法的心电图导联数据模拟重建方法 Download PDFInfo
- Publication number
- CN109431492B CN109431492B CN201811200358.3A CN201811200358A CN109431492B CN 109431492 B CN109431492 B CN 109431492B CN 201811200358 A CN201811200358 A CN 201811200358A CN 109431492 B CN109431492 B CN 109431492B
- Authority
- CN
- China
- Prior art keywords
- lead
- data
- neural network
- leads
- training
- 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]
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Cardiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明实施例涉及一种基于神经网络算法的心电图导联数据模拟重建方法,包括:获取被监测者的心电监测数据;所述心电监测数据包括至少一个肢体导联的导联数据和至少一个胸导联的导联数据;根据基于神经网络机器学习算法训练多导联心电信号重构的多元神经网络回归预测模型;所述多元神经网络回归预测模型的自变量为已知的至少一个肢体导联的导联数据和至少一个胸导联的导联数据,因变量是除所述至少一个肢体导联和至少一个胸导联的导联数据之外的其余未知导联的导联数据;其中所述多元神经网络回归预测模型包含权重系数和偏置系数,由神经网络机器学习算法训练的结果确定;根据所述训练得到权重系数和偏置系数,预测所述其余未知导联的导联数据。
Description
技术领域
本发明涉及人工智能数据分析的技术领域,尤其涉及一种基于神经网络算法的心电图导联数据模拟重建方法。
背景技术
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科;专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能;它是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域,它主要使用归纳、综合而不是演绎。
人工神经网络(Artificial Neural Network,ANN),或者简称神经网络(NeuralNetwork)是当前机器学习领域中一个最有希望接近人类大脑思维的一个分支。是人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元***进行抽象,建立一种比较简单的网络连接模型,即按不同的连接方式组成不同的网络,包括最流行的空间卷积神经网络(CNN)和时间循环神经网络(RNN)等。神经网络是一种运算模型,由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数,称为激活函数(activationfunction)。每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重,这相当于人工神经网络的记忆。网络的输出则依网络的连接方式、权重系数和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近,也可能是对一种逻辑策略的表达。
最近十多年来,人工神经网络的研究工作不断深入,已经取得了很大的进展,其在模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域已成功地解决了许多现代计算机难以解决的实际问题,表现出了良好的智能特性和学习能力。
随着心脏疾病的日益普遍以及人们自我监测意识的不断增强,用于家庭监测和远程医疗的可穿戴式心电图(ECG)采集***日益受到人们的关注。但此类的可穿戴式设备能直接采集的ECG导联数较少,所能提供的医疗ECG信息有限。常见的3导联动态心电图近年来在心律失常,ST段改变和心率变异性分析等方面获得了广泛应用。然而由于受到导联数的限制,无法对ST段改变进行准确的分析,而12导联心电图的ST段变化更能够反映心脏不同部位缺血情况,进而帮助医生进行全面的分析判断。因此,利用较少导联数据信号重建标准12导联信号的方法在临床上是有积极意义的。目前,国内外临床医生和科研工作者对于重建算法,已经进行了多种的研究尝试重建结果。然而心电数据本身的复杂性使得重建结果与实际测量结果之间存在差异,这些误差难以避免,并且现有的重建算法存在一定局限性,只针对12导联或特定数量导联的重建。
发明内容
本发明的目的是提供一种基于神经网络算法的心电图导联数据模拟重建方法,可以适用于标准心电导联体系中各种多导联的心电图导联数据重建,重建结果准确度高。
为此,本发明实施例提出了一种基于神经网络算法的心电图导联数据模拟重建方法,包括:
获取被监测者的心电监测数据;所述心电监测数据包括至少一个肢体导联的导联数据和至少一个胸导联的导联数据;
根据基于神经网络机器学习算法训练多导联心电信号重构的多元神经网络回归预测模型;所述多元神经网络回归预测模型的自变量为已知的至少一个肢体导联的导联数据和至少一个胸导联的导联数据,因变量是除所述至少一个肢体导联和至少一个胸导联的导联数据之外的其余未知导联的导联数据;其中所述多元神经网络回归预测模型包含权重系数和偏置系数,由神经网络机器学习算法训练的结果确定;
根据所述训练得到的权重系数和偏置系数,预测所述其余未知导联的导联数据。
优选的,所述神经网络机器学习算法训练具体包括:
通过多导联心电采集设备对采样对象进行心电监测,得到多导联心电监测数据;所述多导联心电监测数据包括多导联的导联数据;
从所述多导联的导联数据中选取至少一个肢体导联和至少一个胸导联的导联数据作为样本数据中的自变量样本数据,将除至少一个肢体导联和至少一个胸导联的导联数据以外的所述多导联的导联数据作为样本数据中的因变量样本数据;
使用一定数量的样本数据作为训练集进行神经网络机器学习的模型训练,得到所述多导联心电信号重构的多元神经网络回归预测模型;所述样本数据包括自变量样本数据和所对应的因变量样本数据。
优选的,所述神经网络机器学习算法训练具体包括:
通过第一多导联心电采集设备和第二多导联心电监测设备同时对采样对象进行心电监测,得到第一多导联心电采集设备采集的自变量样本数据,和第二多导联心电监测设备采集的因变量样本数据;
使用一定数量的样本数据作为训练集进行神经网络机器学习的模型训练,得到所述多导联心电信号重构的多元神经网络回归预测模型;所述样本数据包括自变量样本数据和所对应的因变量样本数据。
进一步优选的,所述进行神经网络机器学习的模型训练具体为:
基于反向传播的多层感知机神经网络模型的训练;包括信号前向传播、构建损失函数、误差反向传播、对权重系数和偏置系数进行更新的过程。
优选的,多导联具体为12导联,包括三个肢体导联、三个加压导联和六个胸导联。
优选的,多导联具体为18导联,包括三个肢体导联、三个加压导联和十二个胸导联。
进一步优选的,所述心电监测数据包括两个肢体导联的导联数据和一个胸导联的导联数据。
进一步优选的,所述心电监测数据包括两个肢体导联的导联数据和两个胸导联的导联数据。
本发明实施例是提供基于神经网络算法的心电图导联数据模拟重建方法,由神经网络机器学习算法训练确定多元神经网络回归预测模型中的权重系数和偏置系数,以已知的至少一个肢体导联的导联数据和至少一个胸导联的导联数据作为自变量,以其余未知导联的导联数据作为因变量进行心电图导联数据的模拟重建。本方法可以适用于标准心电导联体系中各种多导联的心电图导联数据重建,重建结果准确度高。
附图说明
图1为本发明实施例提供的基于神经网络算法的心电图导联数据模拟重建方法流程图;
图2为本发明实施例提供的一种神经网络机器学习算法训练的方法示意图;
图3为本发明实施例提供的另一种神经网络机器学习算法训练的方法示意图;
图4为本发明实施例提供的基于机器学习反向传播的多层感知机神经网络的示意图;
图5为图4所示的多层感知机神经网络中每一单个神经元的示意图;
图6为本发明实施例提供的新店图导联数据模拟重建方法的模拟重建效果图。
具体实施方式
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
本发明实施例提供一种基于神经网络算法的心电图导联数据模拟重建方法,由神经网络机器学习算法训练确定多元神经网络回归预测模型中的权重系数和偏置系数,以已知的至少一个肢体导联的导联数据和至少一个胸导联的导联数据作为自变量,以其余未知导联的导联数据作为因变量进行心电图导联数据的模拟重建。下面结合图1所示的基于神经网络算法的心电图导联数据模拟重建方法流程图,对本发明的心电图导联数据模拟重建方法进行说明。
如图1所示,心电图导联数据模拟重建方法主要按照包括如下步骤:
步骤110,获取被监测者的心电监测数据;
具体的,通过心电监测设备对被监测者进行心电监测,获得心电监测数据,其中包括至少一个肢体导联的导联数据和至少一个胸导联的导联数据;
步骤120,根据基于神经网络机器学习算法训练多导联心电信号重构的多元神经网络回归预测模型;
其中,多元神经网络回归预测模型的自变量为已知的至少一个肢体导联的导联数据和至少一个胸导联的导联数据,因变量是除上述已获得到的至少一个肢体导联和至少一个胸导联的导联数据之外的其余未知导联的导联数据。
多元神经网络回归预测模型包含权重系数和偏置系数,由神经网络机器学习算法训练的结果确定。
神经网络机器学习算法训练的过程中,自变量和因变量的训练样本数据可以为一个多导联的心电监测设备采集得到,将所需的导联数据,例如规定的一个肢体导联和一个胸导联的导联数据作为自变量训练样本数据,将其余的导联数据作为因变量训练样本数据。或者,由两个多导联的心电监测设备同时采集得到,其中一个设备采集自变量训练样本数据,另一个设备采集因变量训练样本数据。
在以一个多导联的心电监测设备采集自变量和因变量训练样本数据进行神经网络机器学习算法训练得到多元神经网络回归预测模型的权重系数和偏置系数的过程中,其具体步骤可以如图2所示,包括:
步骤121,通过多导联心电采集设备对采样对象进行心电监测,得到多导联心电监测数据;
这里所说的多导联心电监测数据包括多导联的导联数据,比如12导联心电数据或18导联心电数据等。
步骤122,从多导联的导联数据中选取至少一个肢体导联和至少一个胸导联的导联数据作为样本数据中的自变量样本数据,将除至少一个肢体导联和至少一个胸导联的导联数据以外的多导联的导联数据作为样本数据中的因变量样本数据;将每一自变量样本数据和相对应的因变量样本数据作为训练所用的一个样本数据。
步骤123,使用一定数量的样本数据作为训练集进行神经网络机器学习的模型训练,得到多导联心电信号重构的多元神经网络回归预测模型。
在以两个多导联的心电监测设备分别采集自变量和因变量训练样本数据进行神经网络机器学习算法训练得到多元神经网络回归预测模型的过程中,其具体步骤可以如图3所示,包括:
步骤121’,通过第一多导联心电采集设备和第二多导联心电监测设备同时对采样对象进行心电监测,得到第一多导联心电采集设备采集的自变量样本数据,和第二多导联心电监测设备采集的因变量样本数据;将每一自变量样本数据和相对应的因变量样本数据作为训练所用的一个样本数据。
步骤122’,使用一定数量的样本数据作为训练集进行神经网络机器学习的模型训练,得到多导联心电信号重构的多元神经网络回归预测模型。
进一步的,上述步骤123或步骤122’中的进行神经网络机器学习的模型训练,具体为基于反向传播(Back Propagation,BP)算法的多层感知机(Multilayer Perceptron,MLP)神经网络的模型训练;包括信号前向传播、构建损失函数、误差反向传播、对权重系数和偏置系数进行更新的过程。上述基于机器学习反向传播的多层感知机神经网络,结构如图4所示。
该神经网络由输入层、中间隐藏层和输出层组成,中间隐藏层可以有一层或者多层;每一层的神经元个数按需可调,输出层无激活函数。反向传播算法包括信号前向传播(Forward Propagation,FP),构建损失函数,误差反向传播(Back Propagation)和权重更新四个过程。
前向传播过程中,自变量样本数据从输入层结点与对应的权重系数进行加权运算,所得结果再加上一个偏置系数,然后通过激活函数,得到的最后结果就是本层结点的输出;按照上述方式,上一层的输出,逐层向隐藏层传播,直到输出层,获得模型输出结果。
构建损失函数时,首先选取合适的损失函数,然后将前向运算的输出结果与对应训练样本应变量作为损失函数的输入,从而得到损失函数的输出值。
误差反向传播和权重更新过程中,将损失函数的输出值从后向前逐层对权重系数求导并向后传导至输入层,得到所有模型各层神经元的权重系数对应的梯度值,然以一定步长沿梯度方向,使用梯度值对权重系数进行更新,通过迭代,不断更新各层神经元的权重系数,直到损失函数收敛到最优值点,使整个网络实际模拟输出与因变量样本数据的误差最小,从而完成训练,得到一个最优的神经网络预测模型。
图4由多个图5所示的单个神经元组成,对于每个神经元,x1x2...xn表示输入导联数据,数据前向传播,对数据进行特征提取,每个xi将会乘上一个相应的权重系数wi这些乘积之和再加上一个偏置系数b,被送到一个激活函数f。其中,n为神经元个数,i不大于n。
回归模型在训练时一般使用Root-means-squared-error作为损失(loss)函数,并采用梯度下降法,沿梯度方向来更新每个神经元的权重系数wi和截距b,使损失函数收敛到最小值,从而使模型预测输出值与真实值y最为相近。
步骤130,根据训练得到的多元神经网络回归预测模型的权重系数和偏置系数,预测其余未知导联的导联数据。
即通过回归预训模型的训练,可以完成导联数据模拟重建的过程,得到重建结果。
本方法可以适用于标准心电导联体系中各种多导联的心电图导联数据重建,可以包括12导联、15导联或18导联等心电导联数据重建。
例如,在12导联的体系中,12导联包括三个肢体导联、三个加压导联和六个胸导联。优选的可以采用两个肢体导联的导联数据和一个胸导联的导联数据作位自变量数据进行12导联数据模拟重建,或者可以采用两个肢体导联的导联数据和两个胸导联的导联数据作位自变量数据进行心电图12导联数据模拟重建。
又如,在18导联的体系中,18导联包括三个肢体导联、三个加压导联和十二个胸导联。优选的可以采用两个肢体导联的导联数据和一个胸导联的导联数据作为自变量数据进行18导联数据模拟重建,或者可以采用两个肢体导联的导联数据和两个胸导联的导联数据作为自变量数据进行心电图18导联数据模拟重建。
为了更好的理解本发明的意图,下面以一个心电图12导联数据模拟重建的具体实例,对本发明进行进一步详细描述。
在本例中,以两个肢体导联和两个胸导联的导联数据作为自变量,进行心电图12导联数据模拟重建。
首先,获取被监测者的动态心电监测数据,具体包括肢体导联I和II、胸导联V1和V5四个导联的导联数据。
根据医学知识,因为集数据中有肢体导联I,II,III三个导联中任意两个,另外一个是可以计算出来,所以肢体导联III便通过肢体导联I,II直接计算得到。
根据医学知识,I,II,III导联确定的情况下,三个加压导联aVL,aVR,aVF是可以直接计算出来,所以aVL,aVR,aVF三个加压导联便由肢体导联I,II,III导联计算得到。
根据基于神经网络机器学习算法训练多导联心电信号重构的多元神经网络回归预测模型,可以优选的采用I,II,V1,V5四个导联的数据做为模型输入自变量,V2,V3,V4,V6四个导联的数据作为模型输出因变量,完成模型的训练。
根据训练得到的多元神经网络回归预测模型的多元神经网络回归预测模型的权重系数和偏置系数,预测胸导联V2、V3、V4、V6四个导联的导联数据。
为更加直观的理解本发明心电图导联数据重建方法所能达到的效果,下面以一个具体的实例,通过对实测值和模拟预测值的对比进行说明。在该例中,输入I,II,V1,V5四个导联的数据,并通过模型预测生成的V2,V3,V4,V6的导联数据,并与导联实测的V2,V3,V4,V6的导联数据进行对比,对比结果如图6所示的通过模型预测生成的V2,V3,V4,V6的导联数据与真实的V2,V3,V4,V6的导联数据的对比效果图所示。图中,实线表示的是模型预测输出值,虚线表示的是导联实测数据值。背景图是标准心电图纸,横坐标表示时间,1小格=0.04秒;纵坐标表示电压,1小格=0.1mV。可以看出通过本发明的导联数据模拟重建,得到的重建结果准确度高。
本发明实施例是提供基于神经网络算法的心电图导联数据模拟重建方法,由神经网络机器学习算法训练确定多元神经网络回归预测模型的权重系数和偏置系数,以已知的至少一个肢体导联的导联数据和至少一个胸导联的导联数据作为自变量,以其余未知导联的导联数据作为因变量进行心电图导联数据的模拟重建。本方法可以适用于标准心电导联体系中各种多导联的心电图导联数据重建,重建结果准确度高。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于神经网络算法的心电图导联数据模拟重建方法,其特征在于,所述方法包括:
获取被监测者的心电监测数据;所述心电监测数据包括至少一个肢体导联的导联数据和至少一个胸导联的导联数据;
根据基于神经网络机器学习算法训练多导联心电信号重构的多元神经网络回归预测模型;所述多元神经网络回归预测模型的自变量为已知的至少一个肢体导联的导联数据和至少一个胸导联的导联数据,因变量是除所述至少一个肢体导联和至少一个胸导联的导联数据之外的其余未知导联的导联数据;其中所述多元神经网络回归预测模型包含权重系数和偏置系数,由神经网络机器学习算法训练的结果确定;
根据所述训练得到的权重系数和偏置系数,预测所述其余未知导联的导联数据;
其中,所述神经网络机器学习算法训练具体包括:
通过多导联心电采集设备对采样对象进行心电监测,得到多导联心电监测数据;所述多导联心电监测数据包括多导联的导联数据;
从所述多导联的导联数据中选取至少一个肢体导联和至少一个胸导联的导联数据作为样本数据中的自变量样本数据,将除至少一个肢体导联和至少一个胸导联的导联数据以外的所述多导联的导联数据作为样本数据中的因变量样本数据;
使用一定数量的样本数据作为训练集进行神经网络机器学习的模型训练,得到所述多导联心电信号重构的多元神经网络回归预测模型;所述样本数据包括自变量样本数据和所对应的因变量样本数据;
或所述神经网络机器学习算法训练具体包括:
通过第一多导联心电采集设备和第二多导联心电监测设备同时对采样对象进行心电监测,得到第一多导联心电采集设备采集的自变量样本数据,和第二多导联心电监测设备采集的因变量样本数据;
使用一定数量的样本数据作为训练集进行神经网络机器学习的模型训练,得到所述多导联心电信号重构的多元神经网络回归预测模型;所述样本数据包括自变量样本数据和所对应的因变量样本数据;
所述进行神经网络机器学习的模型训练具体为:基于反向传播的多层感知机神经网络模型的训练;包括信号前向传播、构建损失函数、误差反向传播、对权重系数和偏置系数更新的过程;
在构建损失函数的过程中,使用均方根误差Root-means-squared-error函数作为损失函数;在对权重系数和偏置系数更新的过程中,将所述损失函数的输出从后向前对各层权重系数进行求导得到所述各层权重系数对应的梯度值,再根据所述梯度值对所述各层权重系数进行更新,直到所述损失函数收敛到预设的最优范围之内;
所述多导联具体为12导联,包括三个肢体导联、三个加压导联和六个胸导联;或,所述多导联具体为18导联,包括三个肢体导联、三个加压导联和十二个胸导联;
所述方法还包括:以肢体导联I、II和胸导联V1、V5为模型输入自变量,以胸导联V2,V3,V4,V6为模型输出因变量的多元神经网络回归预测模型为两层,隐藏层激活函数是神经元个数是4;输出层有4个神经元,无激活函数;整个模型有两个权重系数矩阵和两个偏置系数矩阵,分别为:
2.根据权利要求1所述的心电图导联数据模拟重建方法,其特征在于,所述心电监测数据包括两个肢体导联的导联数据和一个胸导联的导联数据。
3.根据权利要求1所述的心电图导联数据模拟重建方法,其特征在于,所述心电监测数据包括两个肢体导联的导联数据和两个胸导联的导联数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811200358.3A CN109431492B (zh) | 2018-10-16 | 2018-10-16 | 基于神经网络算法的心电图导联数据模拟重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811200358.3A CN109431492B (zh) | 2018-10-16 | 2018-10-16 | 基于神经网络算法的心电图导联数据模拟重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109431492A CN109431492A (zh) | 2019-03-08 |
CN109431492B true CN109431492B (zh) | 2022-04-26 |
Family
ID=65545371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811200358.3A Active CN109431492B (zh) | 2018-10-16 | 2018-10-16 | 基于神经网络算法的心电图导联数据模拟重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109431492B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110010252A (zh) * | 2019-04-01 | 2019-07-12 | 上海交通大学医学院附属新华医院 | 华法林给药剂量预测方法及装置 |
CN110507314A (zh) * | 2019-08-30 | 2019-11-29 | 武汉中旗生物医疗电子有限公司 | 一种心电导联扩展方法及装置 |
CN112401903B (zh) * | 2020-11-03 | 2023-12-22 | 沈阳东软智能医疗科技研究院有限公司 | 心电数据的识别方法、装置、存储介质和电子设备 |
CN112885459A (zh) * | 2021-02-09 | 2021-06-01 | 清华珠三角研究院 | 一种心室肥大的预测***、装置及存储介质 |
CN113057646B (zh) * | 2021-03-23 | 2022-04-22 | 天津工业大学 | 一种心电映射方法及*** |
CN113693610B (zh) * | 2021-08-31 | 2022-10-14 | 平安科技(深圳)有限公司 | 少导联心电数据处理方法、装置、存储介质及计算机设备 |
CN114145744B (zh) * | 2021-11-22 | 2024-03-29 | 华南理工大学 | 基于跨设备前额脑电情绪识别的方法和*** |
KR102647017B1 (ko) * | 2022-03-03 | 2024-03-13 | 주식회사 뷰노 | 질환 진단 방법 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056045A (zh) * | 2016-05-20 | 2016-10-26 | 浙江铭众科技有限公司 | 一种三导联重构十二导联心电信号的方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6804550B1 (en) * | 1999-09-29 | 2004-10-12 | Draeger Medical Systems, Inc. | Method and apparatus for frank lead reconstruction from derived chest leads |
CN102106728A (zh) * | 2011-01-27 | 2011-06-29 | 孙迎春 | 运动心电图中基于四个电极片描记十八导联心电图的方法 |
CN104463326B (zh) * | 2014-12-09 | 2017-02-22 | 浙江大学 | 一种标准12导联心电信号重建方法 |
CN105787500A (zh) * | 2014-12-26 | 2016-07-20 | 日本电气株式会社 | 基于人工神经网络的特征选择方法和装置 |
CN105809179B (zh) * | 2014-12-31 | 2019-10-25 | 中国科学院深圳先进技术研究院 | 一种指针式仪表的读数识别方法及装置 |
US10959637B2 (en) * | 2015-03-31 | 2021-03-30 | Koninklijke Philips N.V. | Automatic detection/classification of ECG cable interchange for different ECG lead systems |
CN105943022B (zh) * | 2016-05-20 | 2017-03-15 | 浙江铭众科技有限公司 | 一种具有三导联重构十二导联功能的心电监测*** |
CN107133943B (zh) * | 2017-04-26 | 2018-07-06 | 贵州电网有限责任公司输电运行检修分公司 | 一种防震锤缺陷检测的视觉检测方法 |
CN107749048B (zh) * | 2017-07-31 | 2021-06-08 | ***股份有限公司 | 图像矫正***及方法、色盲图像矫正***及方法 |
CN108550115B (zh) * | 2018-04-25 | 2020-06-16 | 中国矿业大学 | 一种图像超分辨率重建方法 |
-
2018
- 2018-10-16 CN CN201811200358.3A patent/CN109431492B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056045A (zh) * | 2016-05-20 | 2016-10-26 | 浙江铭众科技有限公司 | 一种三导联重构十二导联心电信号的方法 |
Non-Patent Citations (2)
Title |
---|
三导联重建十二导联心电图的算法研究;汤艺等;《北京生物医学工程》;19991231;第18卷(第4期);全文 * |
神经网络中常用的几种激活函数的理解;LLLiuye;《http://www/cnblogs.com/lliuye/p/9486500.html》;20180816;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109431492A (zh) | 2019-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109431492B (zh) | 基于神经网络算法的心电图导联数据模拟重建方法 | |
Liu et al. | Arrhythmia classification of LSTM autoencoder based on time series anomaly detection | |
CN107837082B (zh) | 基于人工智能自学习的心电图自动分析方法和装置 | |
CN107714023B (zh) | 基于人工智能自学习的静态心电图分析方法和装置 | |
US11324455B2 (en) | Artificial intelligence-based interference recognition method for electrocardiogram | |
KR101910576B1 (ko) | 인공신경망을 이용하여 신속하게 입력 패턴을 분류하는 방법 및 장치 | |
US20230143594A1 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
CN111990989A (zh) | 一种基于生成对抗及卷积循环网络的心电信号识别方法 | |
KR20190114694A (ko) | 인공지능을 이용한 시계열 데이터 학습 및 분석 방법 | |
CN110619322A (zh) | 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及*** | |
CN111626114B (zh) | 基于卷积神经网络的心电信号心律失常分类*** | |
CN106725426A (zh) | 一种心电信号分类的方法及*** | |
CN110974214A (zh) | 一种基于深度学习的自动心电图分类方法、***及设备 | |
CN111329469A (zh) | 一种心律异常预测方法 | |
Cao et al. | ML-Net: Multi-channel lightweight network for detecting myocardial infarction | |
Azuaje et al. | Predicting coronary disease risk based on short-term RR interval measurements: A neural network approach | |
CN116782829A (zh) | 用于将生物电信号数据转换为数值向量的方法和装置及利用其分析疾病的方法和装置 | |
Zhou et al. | Arrhythmia recognition and classification through deep learning-based approach | |
CN115500841A (zh) | 一种融合时域与频域特征深度学习的室性早搏定位方法 | |
Deng et al. | ST-Net: Synthetic ECG tracings for diagnosing various cardiovascular diseases | |
Allam et al. | A deformable CNN architecture for predicting clinical acceptability of ECG signal | |
CN113143204A (zh) | 心电信号质量评估方法、计算机装置和存储介质 | |
Sadr et al. | Comparison of MLP and RBF neural networks for Prediction of ECG Signals | |
CN113837139A (zh) | 具有复值权重的混沌神经网络及其在心电图分类中的应用 | |
Rajesh et al. | A Silent Cardiac Atrial Fibrillation Detection and Classification using Deep Learning Approach |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 201612 16 / F, block a, no.668, Xinzhuan Road, Songjiang District, Shanghai Applicant after: Shanghai Lepu Yunzhi Technology Co.,Ltd. Applicant after: Lepu Medical Technology (Beijing) Co.,Ltd. Address before: 201612 16 / F, block a, no.668, Xinzhuan Road, Songjiang District, Shanghai Applicant before: YOCALY INFORMATION SCIENCE & TECHNOLOGY Co.,Ltd. Applicant before: Lepu Medical Technology (Beijing) Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |