CN110046604A - 一种基于残差网络的单导联ecg心律失常检测分类方法 - Google Patents
一种基于残差网络的单导联ecg心律失常检测分类方法 Download PDFInfo
- Publication number
- CN110046604A CN110046604A CN201910339996.1A CN201910339996A CN110046604A CN 110046604 A CN110046604 A CN 110046604A CN 201910339996 A CN201910339996 A CN 201910339996A CN 110046604 A CN110046604 A CN 110046604A
- Authority
- CN
- China
- Prior art keywords
- residual error
- error network
- single lead
- network
- arrhythmia 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
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
-
- 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
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Cardiology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Fuzzy Systems (AREA)
- Electrotherapy Devices (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明属于医学信息处理技术领域,公开了一种基于残差网络的单导联ECG心律失常检测分类方法及***,对原始ECG信号进行分割:以1秒钟作为窗口长度,对原始ECG信号进行分割;使用残差网络对信号进行处理:分割后的数据输入网络,处理后网络输出结果为对应ECG信号的识别结果。本发明无需对原始心电信号进行分拍处理,也无需任何对齐;可实现对正常心博,左束支传导阻滞,右束支传导阻滞,房性早搏,异常房性早搏,交界性早搏,室性早搏,室上性早搏,心室融合心跳,房性逸搏,交界性逸搏,室性逸搏,起搏心搏,起搏融合心跳的分类识别;在MIT‑BIH心律失常数据库上测试综合准确率达到了96%以上。
Description
技术领域
本发明属于医学信息处理技术领域,尤其涉及一种基于残差网络的单导联ECG心律失常检测分类方法。
背景技术
目前,最接近的现有技术:
现有技术中,用于提取心律不齐的特征参数的方法、用于识别心律不齐的装置及计算机可读介质(公开号:108852347A),需要做参数、特征提取,本方法无需进行特征提取。
现有技术中,基于稀疏表示和神经网络的心律不齐识别分类方法(公开号:108647584A),需要进行参数提取,预处理复杂(需要对原始心电图进行分拍,需要降维等处理),只能分辨6种心律不齐类型。
3Robust ECG Signal Classification for Detection of AtrialFibrillation Using a Novel Neural Network,使用了卷积神经网络,但只能识别正常、房颤、噪声和其它四种类别,综合准确率亦只能达到82%。
4Cardiologist-Level Arrhythmia Detection with Convolutional NeuralNetworks,使用了卷积神经网络,并以序列方式识别,但只能识别12种心律不齐类型,综合准确率低于80%。
综上所述,现有技术存在的问题是:
(1)传统的人工诊断方法存在工作量大,受识读人员的经验、水平影响大,容易出现差错。
(2)现有各类自动化处理方法,存在的问题主要包括:
需要对心电信号进行分拍,即识别出P波、QRS波群等,而分拍过程,本身就有可能引入错误,并对最终识别效果造成影响。
需要人工方式进行特征提取,比如:最大电压、最小电压等,该过程一方面工作量大,另一方面不同的特征提取方法,对最终识别结果亦有较大影响。
可识别心律失常类型较少,常见的包括:4种、6种等。
有些识别方法需要使用全部12导联的数据,这也无形中提高了识别、检测难度。
解决上述技术问题的难度:
综上,如何使用较少导联数据,甚至只是用一导联数据,在不进行分拍、人工特征提取的前提下,直接将原始心电信号,作为序列进行处理,并实现多种心律不齐类型的高效、准确识别是比较困难的,也是值得研究的。
解决上述技术问题的意义:
相关算法的提出,有助于降低心律失常检测的难度、门槛,比如:可以通过智能手表即可实现心律不齐的筛查,这无疑将大大提高各类心脏疾病,早期筛查的普及程度、检测的准确程度,有利于心血管疾病的早期预防。
发明内容
针对现有技术存在的问题,本发明提供了一种基于残差网络的单导联ECG心律失常检测分类方法。
本发明是这样实现的,一种基于残差网络的单导联ECG心律失常检测分类方法包括:
对原始ECG信号进行分割:以1秒钟作为时间窗口长度,根据采样率,或者该时间段内ECG信号的电压值,比如:采样率为360Hz,则获取360个点的电压值。
将获取到的数据点,直接作为残差网络的输入(即以序列方式处理原始信号,不进行分拍、不进行人工特征提取),经网络处理后的输出结果,即为原始ECG信号的心律失常识别和分类结果。
本发明的另一目的在于提供一种实施所述基于残差网络的单导联ECG心律失常检测分类方法的基于残差网络的单导联ECG心律失常检测分类***包括:
原始ECG信号分割模块,以1秒钟作为窗口长度,对原始ECG信号进行分割;
使用残差网络对信号进行处理模块,分割后的数据输入网络,处理后网络输出结果为对应ECG信号的识别结果。
进一步,残差网络包括10个残差块,每个残差块包含3个卷积层;每组残差块之间安置Maxpooling层;共3个全连接层;每个全连接层前增加Dropout层。
进一步,残差网络进一步包括:
1)Batch Normalization:批规范化层,加快收敛;
2)MaxPooling1D:一维最大池化层;
3)Conv1D:一维卷积层;
4)Pre-Activation:预激活层,此处全部选择ReLu,即修正线性单元作为激活函数;
5)Flatten:整平层,将多维数据转化为一维数据;
6)Dropout:丢弃层,随机丢弃一定比例的连接,用于防止过拟合;
7)Full Connection:全连接层;
8)Softmax:Softmax激活函数;
9)点划线代表Skip Connection,即跳跃连接,用于构建残差单元。
本发明的另一目的在于提供一种基于残差网络的单导联ECG心律失常检测分类程序,运行与终端,所述基于残差网络的单导联ECG心律失常检测分类程序实现所述的基于残差网络的单导联ECG心律失常检测分类方法。
本发明的另一目的在于提供一种终端,所述终端搭载实现所述基于残差网络的单导联ECG心律失常检测分类方法的控制器。
本发明的另一目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行所述的基于残差网络的单导联ECG心律失常检测分类方法。
综上所述,本发明的优点及积极效果为:
本发明通过心电信号实现了心律失常识别;识别过程无需对原始心电信号进行分拍、人工特征提取;只需要单导联心电信号即可完成识别,数据采集设备要求低、采集操作要求低;可识别正常心博,左束支传导阻滞,右束支传导阻滞,房性早搏,异常房性早搏,交界性早搏,室性早搏,室上性早搏,心室融合心跳,房性逸搏,交界性逸搏,室性逸搏,起搏心搏,起搏融合心跳,未标记等共15种心律类型,适用范围广。
本发明识别准确率高,在MIT-BIH心律失常数据库上测试综合准确率达到了96%以上。
附图说明
图1是本发明实施例提供的基于残差网络的单导联ECG心律失常检测分类方法流程图。
图2是本发明实施例提供的基于残差网络的单导联ECG心律失常检测分类***图。
图中:1、原始ECG信号分割模块;2、使用残差网络对信号进行处理模块。
图3是本发明实施例提供的网络结构图。
图4是本发明实施例提供的训练集各类型数据分布图。
图5是本发明实施例提供的测试集各类型数据分布图。
图6是本发明实施例提供的训练过程中模型准确率变化(20轮)图。
图7是本发明实施例提供的混淆矩阵图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
目前心律失常检测主要使用ECG,即心电信号进行检测和诊断。
传统的人工诊断方法存在多种缺陷:工作量大。受识读人员的经验、水平影响大。容易出现差错。由于上述问题,提出了很多自动化的检测算法,但现有的各类算法普遍存在以下两方面问题:需要对心电信号进行分拍,即识别出P波、QRS波群等,在此基础上才能进行各类失常不齐的检测。而心电信号分拍过程不可避免的存在误差,一旦出现错误,其对后续心律失常检测便会带来影响。可识别的心律失常类型较少,比较常见的包括:区分正常窦性心律和心律失常;区分正常窦性心律和特定类型的心律不齐(比如:房颤);除上述问题之外,如何使用较少的导联数据实现检测,如何提高识别准确率也是各类现有检测算法面临的挑战。
为解决上述问题,下面结合具体方案对本发明作详细描述。
如图1所示,本发明实施例基于残差网络的单导联ECG心律失常检测分类方法包括:
S101:对原始ECG信号进行分割:以1秒钟作为窗口长度,对原始ECG信号进行分割。也可以采用2秒、5秒等窗口长度,但实验结果表明其对准确率影响不大。另外,根据采样频率不同,窗口包含的ECG信号数据点数量可能有所不同,此处MIT-BIH心律失常数据采样率为360Hz,即360次/秒。
S102:使用残差网络对信号进行处理:分割后的数据输入网络,处理后网络输出结果即为对应ECG信号的识别结果。
如图2所示,本发明提供的基于残差网络的单导联ECG心律失常检测分类***包括:
原始ECG信号分割模块1,以1秒钟作为窗口长度,对原始ECG信号进行分割。
使用残差网络对信号进行处理模块2,分割后的数据输入网络,处理后网络输出结果为对应ECG信号的识别结果。
本发明实施例提供的网络结构如图3所示,其中共使用了5组(每组2个)共10个残差块,每个残差块包含3个卷积层;每组残差块之间安排一个Maxpooling层;共3个全连接层。同时,为避免过拟合,每个全连接层前增加了Dropout层。
在本发明实施例中,残差网络进一步包括:
Batch Normalization:批规范化层,加快收敛。
MaxPooling1D:一维最大池化层。
Conv1D:一维卷积层。
Pre-Activation:预激活层,此处全部选择ReLu,即修正线性单元作为激活函数。
Flatten:整平层,将多维数据转化为一维数据。
Dropout:丢弃层,随机丢弃一定比例的连接,防止过拟合。
Full Connection:全连接层。
Softmax:Softmax激活函数。
点划线代表Skip Connection,即跳跃连接,用于构建残差单元。
本发明的基于残差网络的单导联ECG心律失常检测分类***各模块参数设置如下:
MaxPooling1D:第1个MaxPooling1D单元使用大小为2的卷积核,步长为2,边缘填充;其余MaxPooling1D单元均使用大小为2的卷积核,步长为2,边缘不填充。
Conv1D:使用大小为2的卷积核,步长为2,边缘填充。卷积核数量依次递增,第一组卷积核数量为64,第二组卷积核数量为128,第三组卷积核数量为256,第四组卷积核数量为512,第五组卷积核数量为1024。
Dropout:系数设置为0.25,即随机丢弃25%的连接。
模型共有参数20,169,110个,其中可训练参数20,139,284,不可训练参数29,826个。
下面结合实验过程及结果对本发明作进一步描述。
原始数据共48段30分钟的两导联(II、V5)数据,采样率为360Hz,即每秒钟360个采样点。
使用II导联按照360个采样点大小的窗口将数据进行分段,同时生成分段对应的标签。
在标签生成过程中,如果遇到一段数据出现两个不同标签,将取第一个标签作为该段数据的标签。
在标签生成过程中,还将剔除非搏动分类的标签,比如:波形发生、P波峰值、节律变化等。
处理后,共得到15类84895条数据及其标注。其中,各类型数据数量如下:正常窦性心律56096,左束支传导阻滞6529,右束支传导阻滞6135,房性早搏1829,异常房性早搏128,交界性早搏56,室上性早搏2,室性早搏6257,心室融合心跳797,房性逸搏12,交界性逸搏225,室性逸搏102,起搏心搏5863,起搏融合心跳835,未标记29条。
将上述数据按照70%训练集(其中70%训练,30%验证),30%测试集的比例划分训练、测试集。训练、测试集各类型数据分布如图4与图5所示.
将数据输入图3中35层的一维残差卷积网络进行训练,损失函数使用交叉熵损失函数,优化器使用随机梯度下降,冲量0.9,权值衰减0.0001,批大小为200。20轮左右即可实现较高的识别准确率,某次训练过程准确率变化如图6所示。
对应的混淆矩阵如图7所示,图7中数字与搏动类型的对应关系如下:0:正常心博,1:左束支传导阻滞,2:右束支传导阻滞,3:房性早搏,4:异常房性早搏,5:交界性早搏,6:室性早搏,7:心室融合心跳,8:房性逸搏,9:交界性逸搏,10:室性逸搏,11:起搏心搏,12:起搏融合心跳,13:未标记。室上性早搏数据仅有2条,未在图中显示。
取10次训练过程的平均值,准确率为训练集98.81%,验证集96.37%,并在测试集上取得96.67%的准确率。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于残差网络的单导联ECG心律失常检测分类方法,其特征在于,所述基于残差网络的单导联ECG心律失常检测分类方法包括:
对原始ECG信号进行分割:以1秒钟作为时间窗口长度,根据采样率或1秒钟时间段内ECG信号的电压值,获取多个点的电压值;
将获取到的电压值数据点,直接作为残差网络的输入,经网络处理后,输出原始ECG信号的心律失常识别和分类结果。
2.如权利要求1所述的基于残差网络的单导联ECG心律失常检测分类方法,其特征在于,直接作为残差网络的输入中,以序列方式处理原始信号,不进行分拍、不进行人工特征提取。
3.一种实施权利要求1所述基于残差网络的单导联ECG心律失常检测分类方法的基于残差网络的单导联ECG心律失常检测分类***,其特征在于,所述基于残差网络的单导联ECG心律失常检测分类***包括:
原始ECG信号分割模块,以1秒钟作为窗口长度,对原始ECG信号进行分割;
使用残差网络对信号进行处理模块,分割后的数据输入网络,处理后网络输出结果为对应ECG信号的识别结果。
4.如权利要求3所述的基于残差网络的单导联ECG心律失常检测分类***,其特征在于,残差网络包括10个残差块,每个残差块包含3个卷积层;每组残差块之间安置Maxpooling层;共3个全连接层;每个全连接层前增加Dropout层。
5.如权利要求4所述的基于残差网络的单导联ECG心律失常检测分类***,其特征在于,残差网络进一步包括:
1)Batch Normalization:批规范化层,加快收敛;
2)MaxPooling1D:一维最大池化层;
3)Conv1D:一维卷积层;
4)Pre-Activation:预激活层,此处全部选择ReLu,即修正线性单元作为激活函数;
5)Flatten:整平层,将多维数据转化为一维数据;
6)Dropout:丢弃层,随机丢弃一定比例的连接,用于防止过拟合;
7)Full Connection:全连接层;
8)Softmax:Softmax激活函数;
9)点划线代表Skip Connection,即跳跃连接,用于构建残差单元。
6.一种基于残差网络的单导联ECG心律失常检测分类程序,运行与终端,其特征在于,所述基于残差网络的单导联ECG心律失常检测分类程序实现权利要求1所述的基于残差网络的单导联ECG心律失常检测分类方法。
7.一种终端,其特征在于,所述终端搭载实现权利要求1所述基于残差网络的单导联ECG心律失常检测分类方法的控制器。
8.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1所述的基于残差网络的单导联ECG心律失常检测分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910339996.1A CN110046604B (zh) | 2019-04-25 | 2019-04-25 | 一种基于残差网络的单导联ecg心律失常检测分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910339996.1A CN110046604B (zh) | 2019-04-25 | 2019-04-25 | 一种基于残差网络的单导联ecg心律失常检测分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110046604A true CN110046604A (zh) | 2019-07-23 |
CN110046604B CN110046604B (zh) | 2023-05-30 |
Family
ID=67279364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910339996.1A Active CN110046604B (zh) | 2019-04-25 | 2019-04-25 | 一种基于残差网络的单导联ecg心律失常检测分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110046604B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110236483A (zh) * | 2019-06-17 | 2019-09-17 | 杭州电子科技大学 | 一种基于深度残差网络的糖尿病性视网膜病变检测的方法 |
CN110889448A (zh) * | 2019-11-26 | 2020-03-17 | 北京华医共享医疗科技有限公司 | 一种基于卷积神经网络的心电分类方法 |
CN111067505A (zh) * | 2019-12-25 | 2020-04-28 | 北京多唯阳光科技有限责任公司 | 心律失常检测的方法、装置以及存储介质 |
CN111329445A (zh) * | 2020-02-20 | 2020-06-26 | 广东工业大学 | 基于组卷积残差网络和长短期记忆网络的房颤识别方法 |
CN111956213A (zh) * | 2020-07-29 | 2020-11-20 | 鲁东大学 | 心电信号的qrs点检测方法 |
CN112906748A (zh) * | 2021-01-25 | 2021-06-04 | 浙江大学 | 基于残差网络的12导联ecg心律失常检测分类模型构建方法 |
CN112957054A (zh) * | 2021-01-25 | 2021-06-15 | 北京工业大学 | 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 |
CN113288161A (zh) * | 2021-06-02 | 2021-08-24 | 南京信息工程大学 | 一种基于改进残差网络单导联ecg信号分类方法及*** |
CN113616216A (zh) * | 2021-09-10 | 2021-11-09 | 郑州大学 | 一种基于BiLSTM-Treg的心电信号分类方法 |
CN113712565A (zh) * | 2020-05-20 | 2021-11-30 | 华为技术有限公司 | 早搏检测方法及其电子设备和介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6035231A (en) * | 1997-10-29 | 2000-03-07 | Siemens Elema Ab | Electrocardiogram signal processing apparatus |
US20160120431A1 (en) * | 2014-10-29 | 2016-05-05 | Khalifa University of Science, Technology, and Research | Medical device having automated ecg feature extraction |
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 |
CN107657318A (zh) * | 2017-11-13 | 2018-02-02 | 成都蓝景信息技术有限公司 | 一种基于深度学习模型的心电图分类方法 |
CN108649961A (zh) * | 2018-05-08 | 2018-10-12 | 北京理工大学 | 一种基于边信息先验的多导联心电信号重构估计方法 |
CN108932452A (zh) * | 2017-05-22 | 2018-12-04 | 中国科学院半导体研究所 | 基于多尺度卷积神经网络的心律失常心拍分类方法 |
CN109063552A (zh) * | 2018-06-22 | 2018-12-21 | 深圳大学 | 一种多导联心电信号分类方法和*** |
CN109303560A (zh) * | 2018-11-01 | 2019-02-05 | 杭州质子科技有限公司 | 一种基于卷积残差网络和迁移学习的短时心电信号房颤识别方法 |
-
2019
- 2019-04-25 CN CN201910339996.1A patent/CN110046604B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6035231A (en) * | 1997-10-29 | 2000-03-07 | Siemens Elema Ab | Electrocardiogram signal processing apparatus |
US20160120431A1 (en) * | 2014-10-29 | 2016-05-05 | Khalifa University of Science, Technology, and Research | Medical device having automated ecg feature extraction |
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 |
CN108932452A (zh) * | 2017-05-22 | 2018-12-04 | 中国科学院半导体研究所 | 基于多尺度卷积神经网络的心律失常心拍分类方法 |
CN107657318A (zh) * | 2017-11-13 | 2018-02-02 | 成都蓝景信息技术有限公司 | 一种基于深度学习模型的心电图分类方法 |
CN108649961A (zh) * | 2018-05-08 | 2018-10-12 | 北京理工大学 | 一种基于边信息先验的多导联心电信号重构估计方法 |
CN109063552A (zh) * | 2018-06-22 | 2018-12-21 | 深圳大学 | 一种多导联心电信号分类方法和*** |
CN109303560A (zh) * | 2018-11-01 | 2019-02-05 | 杭州质子科技有限公司 | 一种基于卷积残差网络和迁移学习的短时心电信号房颤识别方法 |
Non-Patent Citations (1)
Title |
---|
陈宇飞等: "一种高效检测心律不齐的深度学习算法", 《小型微型计算机***》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110236483A (zh) * | 2019-06-17 | 2019-09-17 | 杭州电子科技大学 | 一种基于深度残差网络的糖尿病性视网膜病变检测的方法 |
CN110236483B (zh) * | 2019-06-17 | 2021-09-28 | 杭州电子科技大学 | 一种基于深度残差网络的糖尿病性视网膜病变检测的方法 |
CN110889448A (zh) * | 2019-11-26 | 2020-03-17 | 北京华医共享医疗科技有限公司 | 一种基于卷积神经网络的心电分类方法 |
CN111067505A (zh) * | 2019-12-25 | 2020-04-28 | 北京多唯阳光科技有限责任公司 | 心律失常检测的方法、装置以及存储介质 |
CN111329445A (zh) * | 2020-02-20 | 2020-06-26 | 广东工业大学 | 基于组卷积残差网络和长短期记忆网络的房颤识别方法 |
CN111329445B (zh) * | 2020-02-20 | 2023-09-15 | 广东工业大学 | 基于组卷积残差网络和长短期记忆网络的房颤识别方法 |
CN113712565A (zh) * | 2020-05-20 | 2021-11-30 | 华为技术有限公司 | 早搏检测方法及其电子设备和介质 |
CN113712565B (zh) * | 2020-05-20 | 2023-08-22 | 华为技术有限公司 | 早搏检测方法及其电子设备和介质 |
CN111956213A (zh) * | 2020-07-29 | 2020-11-20 | 鲁东大学 | 心电信号的qrs点检测方法 |
CN112957054A (zh) * | 2021-01-25 | 2021-06-15 | 北京工业大学 | 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 |
CN112957054B (zh) * | 2021-01-25 | 2023-06-23 | 北京工业大学 | 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 |
CN112906748A (zh) * | 2021-01-25 | 2021-06-04 | 浙江大学 | 基于残差网络的12导联ecg心律失常检测分类模型构建方法 |
CN113288161A (zh) * | 2021-06-02 | 2021-08-24 | 南京信息工程大学 | 一种基于改进残差网络单导联ecg信号分类方法及*** |
CN113616216A (zh) * | 2021-09-10 | 2021-11-09 | 郑州大学 | 一种基于BiLSTM-Treg的心电信号分类方法 |
CN113616216B (zh) * | 2021-09-10 | 2024-02-27 | 郑州大学 | 一种基于BiLSTM-Treg的心电信号分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110046604B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110046604A (zh) | 一种基于残差网络的单导联ecg心律失常检测分类方法 | |
CN107951485B (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
CN111657926B (zh) | 一种基于多导联信息融合的心律失常分类方法 | |
CN107510452B (zh) | 一种基于多尺度深度学习神经网络的心电检测方法 | |
CN107822622B (zh) | 基于深度卷积神经网络的心电图诊断方法和*** | |
CN108836302A (zh) | 基于深度神经网络的心电图智能分析方法及*** | |
CN106725428A (zh) | 一种心电信号分类方法及装置 | |
Anuradha et al. | CARDIAC ARRHYTHMIA CLASSIFICATION USING FUZZY CLASSIFIERS. | |
CN109620211A (zh) | 一种基于深度学习的智能化异常心电辅助诊断方法 | |
CN108714026A (zh) | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 | |
CN108932452A (zh) | 基于多尺度卷积神经网络的心律失常心拍分类方法 | |
CN108681396A (zh) | 基于脑-肌电双模态神经信号的人机交互***及其方法 | |
CN105748063A (zh) | 基于多导联和卷积神经网络的心律失常智能诊断方法 | |
CN111626114B (zh) | 基于卷积神经网络的心电信号心律失常分类*** | |
CN109864736A (zh) | 心电信号的处理方法、装置、终端设备及介质 | |
CN110974214A (zh) | 一种基于深度学习的自动心电图分类方法、***及设备 | |
CN107832737A (zh) | 基于人工智能的心电图干扰识别方法 | |
CN109303559A (zh) | 一种基于梯度提升决策树的动态心电图心拍分类方法 | |
CN104840186A (zh) | 一种充血性心力衰竭患者自主神经功能的评估方法 | |
CN108514414A (zh) | 一种信号处理设备、人体心电信号处理及疾病预测方法 | |
CN114052744B (zh) | 基于脉冲神经网络的心电信号分类方法 | |
Wang et al. | Multi-class arrhythmia detection based on neural network with multi-stage features fusion | |
CN113229825A (zh) | 一种基于深度神经网络的多标签多导联心电图分类方法 | |
CN109893118A (zh) | 一种基于深度学习的心电信号分类诊断方法 | |
CN109887595A (zh) | 基于深度学习技术的心搏异常识别算法 |
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 |