CN111160139A - 心电信号的处理方法、装置及终端设备 - Google Patents
心电信号的处理方法、装置及终端设备 Download PDFInfo
- Publication number
- CN111160139A CN111160139A CN201911282356.8A CN201911282356A CN111160139A CN 111160139 A CN111160139 A CN 111160139A CN 201911282356 A CN201911282356 A CN 201911282356A CN 111160139 A CN111160139 A CN 111160139A
- Authority
- CN
- China
- Prior art keywords
- sample
- neural network
- data
- electrocardiosignal
- scale
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 76
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 64
- 238000013145 classification model Methods 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000012952 Resampling Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 30
- 238000013135 deep learning Methods 0.000 claims abstract description 23
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 22
- 230000000306 recurrent effect Effects 0.000 claims description 34
- 238000000605 extraction Methods 0.000 claims description 33
- 230000004927 fusion Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 12
- 230000000747 cardiac effect Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000004806 packaging method and process Methods 0.000 claims description 5
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 89
- 230000006870 function Effects 0.000 description 25
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 11
- 201000010099 disease Diseases 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 9
- 206010003119 arrhythmia Diseases 0.000 description 7
- 230000006793 arrhythmia Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010003130 Arrhythmia supraventricular Diseases 0.000 description 1
- 208000004301 Sinus Arrhythmia Diseases 0.000 description 1
- 206010047281 Ventricular arrhythmia Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007211 cardiovascular event Effects 0.000 description 1
- 230000035605 chemotaxis Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请适用于生物医学工程技术领域，提供了心电信号处理方法，包括：获取待分析的心电信号，对心电信号进行预处理得到张量，对张量进行多尺度重采样得到多个预设尺度的心电数据，将心电数据输入已训练的分类模型进行处理得到心电信号类型，分类模型基于多个样本心电数据以及分类标签对深度学习网络进行训练得到，分类模型包括卷积神经网络、循环神经网络以及分类器，在训练过程中，卷积神经网络用于对多个样本心电数据进行特征提取，循环神经网络用于对卷积神经网络提取的特征信息进行融合，分类器用于对融合后的特征信息进行分类得到分类结果。本申请还提供了心电信号处理装置和终端设备，提高了心电信号处理效率和分类精度。
Description
技术领域
本申请属于生物医学工程技术领域，尤其涉及一种心电信号的处理方法、装置及终端设备。
背景技术
自动心率失常的准确及时检测是一项重要的辅助诊断技术，对于医院外急性心血管事件的实时预警有着不可或缺的作用。传统的基于心电信号的检测主要包含特征提取与疾病分类两个部分，其中特征提取是十分关键的步骤直接影响着疾病检测的结果与精度。
目前，心电信号在采集过程中往往以特征点检测为基础进行分析，这样不可避免的会引入各种噪声，且不同个体、不同疾病的心电波形的差异化较大，影响心律失常的检测结果。由于随着网络深度的增加和池化层的加入，会导致深度学习的心电信号类型分析精度降低的问题。
发明内容
本申请实施例提供了心电信号处理的方法及装置，可以解决传统深度学习只利用单尺度的心电信号输入进行特征提取的不足，且很难实现高精度的心电信号类型的分类的问题。
第一方面，本申请实施例提供了一种心电信号处理方法，包括：
获取待分析的心电信号，对所述心电信号进行预处理，得到所述心电信号对应的张量；
对所述张量进行多尺度重采样得到多个预设尺度的心电数据；
将所述心电数据输入已训练的分类模型进行处理，得到所述心电信号所属的心电信号类型，其中，所述分类模型基于多个样本心电数据以及每个样本心电数据对应的分类标签对深度学习网络进行训练得到，所述分类模型包括卷积神经网络、循环神经网络以及分类器，在训练过程中，所述分类模型的卷积神经网络用于对多个样本心电数据进行特征提取，所述循环神经网络用于对所述卷积神经网络提取的特征信息进行融合，所述分类器用于对融合后的特征信息进行分类，得到样本心电数据对应的分类结果。
可选地，所述将所述心电数据输入已训练的分类模型进行处理，得到所述心电信号所属的心电信号类型，包括：
通过所述已训练的分类模型中的所述卷积神经网络对每个预设尺度的所述心电数据进行特征提取，得到每个预设尺度的所述心电数据对应的特征信息；
将每个预设尺度的所述心电数据对应的特征信息输入所述循环神经网络进行特征融合，得到多尺度融合后的特征信息；
通过所述分类器对所述融合后的特征信息进行分类处理，得到所述心电信号所属的心电信号类型。
可选地，每个预设尺度的所述心电数据对应的特征信息包括第一特征信息和第二特征信息，所述第一特征信息的抽象程度小于所述第二特征信息的抽象程度，所述卷积神经网络包括第一数量的第一卷积层和第二数量的第二卷积层；
所述通过所述已训练的分类模型中的所述卷积神经网络对每个预设尺度的所述心电数据进行特征提取，得到每个预设尺度的所述心电数据对应的特征信息，包括：
通过所述卷积神经网络中的第一卷积层，对每个预设尺度的所述心电数据进行特征提取，得到每个预设尺度的所述心电数据对应的第一特征信息；
通过所述卷积神经网络的所述第二卷积层，对每个预设尺度的所述心电数据对应的所述第一特征信息进行特征提取，得到每个预设尺度的所述心电数据对应的第二特征信息。
可选地，所述将每个预设尺度的所述心电数据对应的所述特征信息输入所述循环神经网络进行特征融合，得到对应的多尺度的融合后的特征信息，包括：
通过所述循环神经网络对每个预设尺度的所述心电数据对应的第一特征信息进行拼接融合，得到多个预设尺度的第一融合特征信息；
通过所述循环神经网络对每个预设尺度的所述心电数据对应的第二特征信息进行拼接融合，得到多个预设尺度的第二融合特征信息；
通过所述循环神经网络对所述第一融合特征信息和所述第二融合特征信息进行进一步融合，得到对应的多尺度的融合后的特征信息。
可选地，所述已训练的分类模型的训练过程，包括：
获取多个样本心电信号以及每个样本心电信号对应的分类标签，对每个所述样本心电信号进行预处理，得到每个所述样本心电信号对应的样本张量；
对所述样本张量进行多尺度重采样得到多个预设尺度的样本心电数据；
通过所述深度学习网络中的卷积神经网络对每个预设尺度的所述样本心电数据进行特征提取，得到每个预设尺度的所述样本心电数据对应的样本特征信息；
将每个预设尺度的所述样本心电数据对应的所述样本特征信息输入所述循环神经网络进行特征融合，得到多尺度的融合后的样本特征信息；
通过所述分类器对所述融合后的样本特征信息进行分类处理，得到每个所述样本心电信号所属的样本心电信号类型；
基于每个所述样本心电信号所属的样本心电信号类型，以及每个所述样本心电信号对应的分类标签对所述深度学习网络进行迭代训练，得到所述已训练的分类模型。
可选地，所述对所述心电信号进行预处理，得到所述心电信号对应的张量，包括：
采用不同的采样率对所述心电信号进行重采样得到多导联心电信号；
将所述多导联心电信号进行封装，得到所述心电信号对应的张量。
可选地，所述采用不同的采样率对所述心电信号进行重采样得到多导联心电信号，包括：
将所述心电信号补齐至预设长度，得到预处理心电信号；
对所述预处理心电信号进行归一化处理，采用不同的采样率将归一化处理后的心电信号进行重采样得到所述多导联心电信号。
第二方面，本申请实施例提供了一种心电信号的处理装置，包括：
预处理模块，用于获取待分析的心电信号，对所述心电信号进行预处理，得到所述心电信号对应的张量；
采集模块，用于对所述张量进行多尺度重采样得到多个预设尺度的心电数据；
分类模块，用于将所述心电数据输入已训练的分类模型进行处理，得到所述心电信号所属的心电信号类型，其中，所述分类模型基于多个样本心电数据以及每个样本心电数据对应的分类标签对深度学习网络进行训练得到，所述分类模型包括卷积神经网络、循环神经网络以及分类器，在训练过程中，所述分类模型的卷积神经网络用于对多个样本心电数据进行特征提取，所述循环神经网络用于对所述卷积神经网络提取的特征信息进行融合，所述分类器用于对融合后的特征信息进行分类，得到样本心电数据对应的分类结果。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的心电信号处理方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的心电信号处理方法。
本申请实施例与现有技术相比存在的有益效果是：通过对获取待分析的心电信号进行预处理，得到所述心电信号对应的张量，可以有效去除噪音干扰和得到标准化数据；对所述张量进行多尺度重采样得到多个预设尺度的心电数据，将所述心电数据输入已训练的分类模型进行处理，得到所述心电信号所属的心电信号类型。通过分类模型的卷积神经网络中进行特征提取，通过分类模型的循环神经网络对提取的特征信息进行特征融合处理，并通过分类模型的分类器对融合后的特征信息进行分类处理，可以实现不同尺度之间的心电信号进行整合，丰富了神经网络的表达力，也可以精准地辨别不同疾病对应的波形差异，提高了对心电信号分析并分类的精度和效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述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是本申请一实施例提供的心电信号的处理方法的流程示意图；
图2是本申请另一实施例提供的心电信号的处理方法的流程示意图；
图3示出了本申请另一实施例提供的训练分类模型的实现流程图；
图4是本申请实施例提供的心电信号的处理装置的结构示意图；
图5是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
图1示出了本申请一实施例提供的心电信号的处理方法的流程示意图，如图1，本申请提供的一种心电信号的处理方法，包括以下S101至S103。
S101：获取待分析的心电信号，对所述心电信号进行预处理，得到所述心电信号对应的张量；
在本实施例中，心电信号具有频率低、幅值微弱、常常混杂其它的生理信号等特点，心电信号的电压范围为0.5～4mV，频率范围为0.05～100Hz，对测量***有较高的灵敏度，容易受干扰，其中，50Hz工频干扰在测量频率范围内。
需要说明的是，心电信号可以是通过心电检测设备对被检测者采集的，可以利用心电导联和传感器采集心电信号，通过模拟电路对采集的心电信号进行阻抗匹配、过滤、放大等处理，通过模数转换器将人体生理参数的模拟信号转化为数字信号，再通过低通滤波技术获取滤波后的心电信号，利用小波变换技术从滤波后的心电信号中提取出信号波形，以得到待分析的心电信号。将心电信号进行标准化处理，如设定长度对信号波形进行补全、截断达到统一长度得到心电信号对应的张量，其中张量可以表示所有预处理后的心电信号的集合及它们之间的线性关系。
因理解，通过对采集的原始心电信号进行预处理，可以减少干扰因素得到较好的心电数据，便于后续对心电数据进行处理，以提高心电信号的处理效率。
S102：对所述张量进行多尺度重采样得到多个预设尺度的心电数据；
在本实施例中，在对心电信号进行预处理之后，对小波进行D86小波分解，找出其中level2小波系数，采用过零点检测法检测心电的QRS尖峰，依次去除R波后检测P波和T波尖峰，之后可以采用的detrend算法计算出波形的基线，通过计算各个波形与基线的交点，确定P波QRS波T波的起始和结束。以一次采集心电信号大约包含20s的心电数据，即25跳左右的心电，一个P波一个QRS波一个T波进行切割。出于诊断有效性的考虑，将波形进行对齐，即对R波的峰值进行对齐，切割成统一的长度。
需要说明的是，多尺度重采样是设定相同时长和不同采样率对预处理后的张量信号进行重采样，形成m个尺度的信号，m>＝2，例如设定时长20s，采样率分别为10Hz、20Hz、30Hz......100Hz共10个尺度，相应的得到多尺度的心电数据。
应理解，通过多尺度重采样克服了传统心电信号分析在处理可穿戴信号时，通常以特征点进行分析，且只利用单尺度的信号输入，忽略了不同尺度之间的信息互补的问题，对心电信号类型多分类提供了丰富的样本数据，以提高分类精度。
S103：将所述心电数据输入已训练的分类模型进行处理，得到所述心电信号所属的心电信号类型，其中，所述分类模型基于多个样本心电数据以及每个样本心电数据对应的分类标签对深度学习网络进行训练得到，所述分类模型包括卷积神经网络、循环神经网络以及分类器，在训练过程中，所述分类模型的卷积神经网络用于对多个样本心电数据进行特征提取，所述循环神经网络用于对所述卷积神经网络提取的特征信息进行融合，所述分类器用于对融合后的特征信息进行分类，得到样本心电数据对应的分类结果。
在本实施例中，分类模型主要包括卷积神经网络、循环神经网络、分类器等神经网络的分支，分别对预设尺度的心电数据进行特征提取、特征融合和分类等。卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学***移不变分类(shift-invariant classification)。循环神经网络(RecurrentNeural Network,RNN)是一类以序列(sequence)数据为输入，在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络(recursive neuralnetwork)，循环神经网络具有记忆性、参数共享等特点。
需要说明的是，分类器是利用给定的类别、已知的训练数据来学习分类规则，然后对未知数据进行分类或预测，主要包括有监督分类、半监督分类和无监督分类，有监督分类是指用来训练分类器的所有样本都经过了人工或其他方式的标注，有很多著名的分类器算法都属于有监督的学习方式。无监督分类是指所有的样本均没有经过标注，分类算法需利用样本自身信息完成分类学习任务。半监督分类指仅有一部分训练样本具有类标号，分类算法需要同时利用有标号样本和无标号样本学习分类，使用两种样本训练的结果比仅使用有标注的样本训练的效果更好。本实施例优选有监督分类的方式对样本心电数据进行多分类，使神经网络数据表达的能力更丰富。
应理解，卷积神经网络用于对心电数据进行特征提取，循环神经网络用于将提取的特征信息进行拼接融合得到融合后的特征信息，分类器是将融合后的特征信息进行分类，分类结果对应心电信号类型，可以是窦性及窦性心律失常、房性心律失常、交界性心律失常、室性心律失常和心电静止等。通过深度学习网络的多分支网络模型对心电信号进行处理实现多分类，提高了心电信号处理的精度。
图2示出了本申请另一实施例提供的心电信号的处理方法的流程示意图，如图2，所述将所述心电数据输入已训练的分类模型进行处理，得到所述心电信号所属的心电信号类型，包括S1031～S1033，具体如下：
S1031：通过所述已训练的分类模型中的所述卷积神经网络对每个预设尺度的所述心电数据进行特征提取，得到每个预设尺度的所述心电数据对应的特征信息；
在本实施例中，已训练的分类模型是在已构建好的神经网络中对心电数据进行分类处理的，在重采样得到多个预设尺度的心电数据，对每个尺度的心电数据进行相同的特征提取操作。换句话说，上述操作过程都是在同一神经网络进行的。卷积神经网络由多个卷积层构成，每个卷积层包含多个卷积核，用这些卷积核从左向右、从上往下依次扫描整个图像得到特征图的输出数据，网络前面的卷积层捕捉图像局部、细节信息，有小的感受野，即输出图像的每个像素只利用输入图像很小的一个范围。后面的卷积层感受野逐层加大，用于捕获图像更复杂，更抽象的信息。经过多个卷积层的运算，最后得到图像在各个不同尺度的抽象表示。
需要说明的是，假设给定一张输入图片，用一个卷积核去扫这张图，卷积核里面的数就叫权重，这张图每个位置是被同样的卷积核扫的，所以权重是一样的，这也就是权值共享。如权值共享的部分所说我们用一个卷积核操作只能得到一种特征可能获取不到全部特征，这么一来我们就引入了多核卷积。用不同的卷积核来学习不同的特征(每个卷积核学习到不同的权重)来提取原图特征。需要注意的是，在多核卷积的过程中每个卷积核的大小应该是相同的。
应理解，卷积神经网络是基于一个映射面上的神经元共享权值，可以减少网络自由参数的个数，降低网络参数选择的复杂度。通过卷积神经网络提取心电数据的特征信息，有效提高了心电信号的处理效率。
S1032：将每个预设尺度的所述心电数据对应的特征信息输入所述循环神经网络进行特征融合，得到多尺度的融合后的特征信息；
在本实施例中，循环神经网络的类型主要包括输入不是序列，输出是序列；输入是序列，输出不是序列；输入和输出都是序列，但两者长度可以不一样；输入和输出都是序列，两者长度一样。本申请中的心电信号可以是波形图，循环神经网络优选输入和输出都是序列，便于后续对心电信号进行分析。循环神经网络的类型可以根据实际情况设定，此处不作具体限定。
需要说明的是，每个预设尺度的心电数据对应的特征信息可以包括不同波形图，拼接融合后的波形与原先输入的波形的长度相同，这样便于对不同尺度的心电数据进行分析和分类。换言之，将两个单尺度的特征融合成多特征的特征信息，可以保证心电数据的完整性，也可实现不同尺度之间的特征信息互补。
S1033：通过所述分类器对所述融合后的特征信息进行分类处理，得到所述心电信号所属的心电信号类型。
在本实施例中，心电信号类型可以是预先设定的，不同的心电信号可以对应不同的分类器，分类器是在分类模型中通过对样本心电数据进行处理得到的，常用Softmax函数进行分类，将一些输出的神经元映射到0～1之间的实数，并且归一化保证和为1，从而使得多分类的概率之和刚好为1，Softmax可以分为soft和max，max也就是最大值，假设有两个变量a，b。如果a>b，则max为a，反之为b，那么在分类问题里面，如果只有max，输出的分类结果只有a或者b,是个非黑即白的结果。但是在现实情况下，希望输出的是取到某个分类的概率，或者说，分值大的那一项被经常取到，而分值较小的那一项也有一定的概率偶尔被取到，最后的输出是每个分类被取到的概率。
需要说明的是，分类处理是在已构建好的神经网络中进行的，将不同尺度之间的特征信息进行融合得到融合后的特征信息，这样可以实现高精度的对处理后的心电信号进行分类。
可选地，每个预设尺度的所述心电数据对应的特征信息包括第一特征信息和第二特征信息，所述第一特征信息的抽象程度小于所述第二特征信息的抽象程度，所述卷积神经网络包括第一数量的第一卷积层和第二数量的第二卷积层；此时，S1031可以具体包括：
通过所述卷积神经网络中的第一卷积层，对每个预设尺度的所述心电数据进行特征提取，得到每个预设尺度的所述心电数据对应的第一特征信息；通过所述卷积神经网络的所述第二卷积层，对每个预设尺度的所述心电数据对应的所述第一特征信息进行特征提取，得到每个预设尺度的所述心电数据对应的第二特征信息。
在本实施例中，在同一尺度中包括多级不同的特征，以视觉几何组网络(VisualGeometry Group Network，VGG)为例，VGG模型主要包括conv1至conv5共五个卷积模块，第一特征信息可以是将conv2和conv3的最后一层卷积特征定义成该尺度下的网络低级特征，第二特征信息可以是将conv4和conv5的最后一层卷积特征定义成该尺度下的网络高级特征，第一特征的抽象程度小于第二特征的抽象程度，即第一特征包含的语义信息比第二特征的语义信息少。相应的，第一卷积层用于提取任一尺度的心电数据的网络低级特征，即第一卷积层用于提取每个尺度的心电数据对应的第一特征信息。
需要说明的是，第一卷积层的第一数量和第二卷积层的第二数量可以相同，也可以不同，特征信息的抽象程度是指描述该特征的信息量，例如语义、图像像素等。同一尺度的心电数据在神经网络中可以分成两级特征，其中，第一特征信息的信息量少于第二特征信息的信息量，以达到精确化处理心电信号的目的。
在本实施例中，第一特征信息和第二特征信息均属于同一尺度的心电数据，第二卷积层是在第一卷积层的更深一层，第二卷积层提取的信息量多于第一卷积层，即第二卷积层在第一卷积层的基础上对第一特征信息进一步提取。在同一神经网络中，第一卷积层与第二卷积层的卷积核大小相同，特征提取的过程也相同，此处不再赘述。
需要说明的是，卷积神经网络中每层卷积层(Convolutional layer)由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到的，卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网路能从低级特征中迭代提取更复杂的特征，第一特征信息的抽象程度小于第二特征信息的抽象程度，即第一特征信息的复杂度小于第二特征信息的复杂度。将每个尺度的心电数据输入至卷积神经网络进行特征提取，得到不同级别的特征信息，对后续特征信息的拼接融合，利用相同结构的卷积神经网络进行特征提取，增加了分析样本数据，以提高心电信号分类的准确性。
可选地，S1032具体可以包括：
通过所述循环神经网络对每个预设尺度的所述心电数据对应的第一特征信息进行融合，得到多个预设尺度的第一融合特征信息；通过所述循环神经网络对所述第一融合特征信息和所述第二融合特征信息进行融合，得到对应的多尺度融合后的特征信息。
在本实施例中，每个尺度的心电数据对应的第一特征信息是复杂度低的即抽象程度小的网络低级特征，将不同尺度的第一特征信息进行融合可以对各个尺度的心电数据进行信息整合，避免了采样数据的单调性。
通过所述循环神经网络对每个预设尺度的所述心电数据对应的第二特征信息进行拼接融合，得到多个预设尺度的第二融合特征信息；
在本实施例中，在构建好的神经网络的循环神经网络中将复杂度高的即抽象程度大的网络高级特征进行拼接融合。循环神经网络包括双向循环神经网络(Bi-directionalBi-directional Long Short-Term Memory，BiLSTM)，用于提取第二特征信息的上下文信息，其中，BiLSTM为现有技术，此处不再赘述。
在本实施例中，循环神经网络只处理一个单一的输入单元和上一个时间点的隐藏层信息，即一个序列的当前输出与前面的输出是相关的。具体体现在后面层的输入值要加入前面层的输出值，即隐藏层之间是有连接的。将之前输入的整个历史映射到每个输出。当一个神经网络结构的每一个激活函数都是可导的并且整个网络的预先设计输出是可以获得时，该神经网络的训练可以通过反向传播算法(Back Propagation,BP)来学习。反向传播算法是基于梯度下降优化法。对于任何一个需要优化的权重参数，计算它们关于优化目标函数的梯度并且根据梯度更新权重参数是反向传播算法的基本思想。常用的优化目标函数有和方差函数(Summed Squard Error,SSE)，交叉熵函数(Cross Entropy)等。这里以和方差函数为例，采用随机梯度下降法，分析循环神经网络的学习过程。
需要说明的是，第一特征信息和第二特征信息是同步进行的，且采用相同的融合方式分别得到第一融合特征信息和第二融合特征信息，第一融合特征信息和第二融合信息的融合是通过循环神经网络的深度学习进行的，通过设定不同时间步长、不同激活函数等得到相应的融合特征信息，从而提高网络识别率。
可选地，所述对所述心电信号进行预处理，得到所述心电信号对应的张量，包括：
采用不同的采样率对所述心电信号进行重采样得到多导联心电信号；
在本实施例中，对采集的大量原始心电信号进行预处理，可以是通过规范化的设定长度、截断等，采用不同采样率和相同时长对同一被监测值进行心电检测，该多导联信号可以是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，便于后续对该被检测者进行心电信号分析，有效提升心律失常的检测精度。
将所述多导联心电信号进行封装，得到所述心电信号对应的张量。
在本实施例中，将多导联心电信号进行封账包括将多种波形同整合在同一坐标系中或一张图像中，便于集中分析处理心电信号，根据心电信号对应的波形图的参数、波峰、波谷等进行封装，可以分析得到该多导联心电信号之间的关联关系，以提高心电信号的处理效率。
可选地，所述采用不同的采样率对所述心电信号进行重采样得到多导联心电信号，包括：
将所述心电信号补齐至预设长度，得到预处理心电信号；
在本实施例中，心电信号反映了心脏电活动在体表的整体生理状态，，心电信号的预处理和分析是正确诊断心脏疾病的前提。心电信号易受噪声干扰，采集的心电信号的波长不同，需要将其处理成统一长度，便于后续对心电信号进行特征提取。
对所述预处理心电信号进行归一化处理，采用不同的采样率将归一化处理后的心电信号进行重采样得到所述多导联心电信号。
在本实施例中，归一化处理是把原始数据压缩成[0,1]的范围内，将心电数据映射到[0,1]之间，例如只有两个特征，对其进行优化得到一个窄长的椭圆形，导致在梯度下降时，梯度的方向为垂直等高线的方向而走之字路线，这样会使迭代很慢，换言之，步长走多走少方向总是对的，不会走偏，便于对心电信号进行分析和处理。
需要说明的是，在多指标评价体系中，由于各评价指标的性质不同，通常具有不同的量纲和数量级。当各指标间的水平相差很大时，如果直接用原始指标值进行分析，就会突出数值较高的指标在综合分析中的作用，相对削弱数值水平较低指标的作用。因此，为了保证处理结果的可靠性，需要对原始指标数据进行标准化处理。在数据分析之前，通常需要先将数据标准化(normalization)，利用标准化后的数据进行数据分析。数据标准化也就是统计数据的指数化。数据标准化处理主要包括数据同趋化处理和无量纲化处理两个方面。通过对心电信号进行归一化处理，有效提高了后续迭代训练速率，简化了心电信号的处理过程。
图3示出了本申请另一实施例提供的训练分类模型的实现流程图，如图3，所述已训练的分类模型的训练过程，包括：
S201：获取多个样本心电信号以及每个样本心电信号对应的分类标签，对每个所述样本心电信号进行预处理，得到每个所述样本心电信号对应的样本张量；
在本实施例中，将多个样本心电信号作为训练数据，对应的将每个样本心电信号作为该训练数据的分类标签，分类标签可以是根据需要分析的疾病的数量N，如心律失常，采用1个心电信号对应多种疾病的方式，针对心电信号是否指示患有N中疾病对心电信号进行标签标记，得到标签集合L，标签标记为1时，表示心电信号指示患有该疾病的概率为100％，标签标记为0，表示心电信号指示患有该疾病的概率为0。通过对多个样本心电信号和每个样本心电信号对应的分类标签进行相关性分析，确定其中最主要的量作为输入，之后对其进行预处理，即将数据变化到一定的范围，如[-1,1]或[0,1]等，并剔除野点，还可以检验其是否存在周期性、固定变化趋势或其他关系，可以得到每个样本心电信号对应的张量，对数据的预处理分析使得到的数据便于神经网络学习和训练。在实验中以2000条12导联心电数据，进行9种心率失常疾病的分类，分类结果值达83％，相对于现有的心电信号处理过程取得了精度更高的结果。
S202：对所述样本张量进行多尺度重采样得到多个预设尺度的样本心电数据；
在本实施例中，根据样本张量选择相应的神经网络的类型，即确定网络的结构和参数，以BP网络为例，就是要确定网络的层数、每层的节点数、节点激活函数、初始权值、学习算法等。若输入输出确定后，则网络的输入层和输出层节点数即可确定。对样本张量进行多尺度重采样，即对已预处理的样本心电数据进行重采样，采用相同的时长和不同的采样率进行重采样，得到更多的样本心电数据，便于后续心电信号的训练和优化。
S203：通过所述深度学习网络中的卷积神经网络对每个预设尺度的所述样本心电数据进行特征提取，得到每个预设尺度的所述样本心电数据对应的样本特征信息；
在本实施例中，利用获取的训练样本即样本心电数据和分类标签对网络进行反复训练，直至得到合适的映射结果。需要注意的是，训练的次数越多，所得结果并不一定能正确反映输入输出的映射关系，由于所收集到的样本数据包含有测量噪声，训练次数越多，网络将噪声也复制下来，反而影响了它的泛化能力。本实施例通过多尺度重采样获取大量的采样数据，可以有效避免心电信号在采集过程中引入的各种噪声会影响心电信号的处理结果，对不同尺度的样本心电数据进行特征提取，使心电信号处理的过程更精细化。
S204：将每个预设尺度的所述样本心电数据对应的所述样本特征信息输入所述循环神经网络进行特征融合，得到对应的融合后的样本特征信息；
在本实施例中，在卷积神经网络中对样本心电数据进行特征提取输出对应的样本特征，再将样本特征输入循环神经网络进行拼接融合输出融合后的样本特征信息。卷积神经网络和循环神经网络可以是深度学习网络的分支网络，可以实现不同尺度之间的特征信息整合和不同尺度之间的信息互补。
S205：通过所述分类器对所述融合后的样本特征信息进行分类处理，得到每个所述样本心电信号所属的样本心电信号类型；
在本实施例中，采用反向传播(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、对权重稀疏和偏置函数进行更新的过程，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钱箱传播、构建损失函数、误差安详传播和权重更新四个过程。前向传播过程中，自变量样本心电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，直到输出层得到输出结果。构建损失函数时，先选取合适的损失函数，之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是将损失函数的输出值从反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，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。
需要说明的是，分类器的分类处理主要包括以下四个过程：1)选定样本(包含正样本和负样本)，将所有样本分成训练样本和测试样本两部分；2)在训练样本上执行分类器算法，生成分类模型；3)在测试样本上执行分类模型，生成预测结果；4)根据预测结果，计算必要的评估指标，评估分类模型的性能。分类器包括Softmax分类器、SVM分类器、贝叶斯分类器等，本实施例优选Softmax分类器，Softmax分类器可以将神经网络的输出变成一个概率分布，从而可以通过交叉熵来计算预测的概率分布和真实答案的概率分布之间的距离，从而提高了心电信号的分类处理的精确度。
S206：基于每个所述样本心电信号所属的样本心电信号类型，以及每个所述样本心电信号对应的分类标签对所述深度学习网络进行迭代训练，得到所述已训练的分类模型。
在本实施例中，心电信号类型可以是预设的多种心电波形图以及心电波形对应的心律失常疾病。迭代训练是逐次逼近，先取一个粗超的近似值，然后用同一个递推公式反复校正此初值，直至达到预定精度要求为止，迭代计算次数是允许公式反复计算的次数。将样本心电信号所属的心电信号类型与样本心电信号对应的分类标签进行迭代训练，可以提高分类处理的效率，
通过获取待分析的心电信号，对所述心电信号进行预处理，得到所述心电信号对应的张量，所述张量进行多尺度重采样得到多个预设尺度的心电数据，将所述心电数据输入已训练的分类模型进行处理，得到所述心电信号所属的心电信号类型。所述分类模型基于多个样本心电数据以及每个样本心电数据对应的分类标签对深度学习网络进行训练得到，所述分类模型包括卷积神经网络、循环神经网络以及分类器，在训练过程中，所述分类模型的卷积神经网络用于对多个样本心电数据进行特征提取，所述循环神经网络用于对所述卷积神经网络提取的特征信息进行融合，所述分类器用于对融合后的特征信息进行分类，得到样本心电数据对应的分类结果。将心电信号进行预处理，有效去除噪音干扰和得到标准化数据，将预设尺度的心电数据输入至神经网络中，依次经过不同的网络模型进行处理，即在卷积神经网络中进行特征提取，在循环神经网络中进行特征的拼接融合，在分类模型中进行分类处理，可以实现不同尺度之间的心电信号进行整合，丰富了神经网络的表达力，也可以精准地辨别不同疾病对应的波形差异，提高了对心电信号分析并分类的精度和效率。
图4示出了本申请实施例提供的心电信号的处理装置的结构示意图，如图4，本申请提供了一种心电信号的处理装置300，包括：
预处理模块310，用于获取待分析的心电信号，对所述心电信号进行预处理，得到所述心电信号对应的张量；
采集模块320，用于对所述张量进行多尺度重采样得到多个预设尺度的心电数据；
分类模块330，用于将所述心电数据输入已训练的分类模型进行处理，得到所述心电信号所属的心电信号类型，其中，所述分类模型基于多个样本心电数据以及每个样本心电数据对应的分类标签对深度学习网络进行训练得到，所述分类模型包括卷积神经网络、循环神经网络以及分类器，在训练过程中，所述分类模型的卷积神经网络用于对多个样本心电数据进行特征提取，所述循环神经网络用于对所述卷积神经网络提取的特征信息进行融合，所述分类器用于对融合后的特征信息进行分类，得到样本心电数据对应的分类结果。
可选地，所述分类模块330具体包括：
第一获取单元，用于通过所述已训练的分类模型中的所述卷积神经网络对每个预设尺度的所述心电数据进行特征提取，得到每个预设尺度的所述心电数据对应的特征信息；
第二获取单元，用于将每个预设尺度的所述心电数据对应的特征信息输入所述循环神经网络进行特征融合，得到多尺度的融合后的特征信息；
第一分类处理单元，用于通过所述分类器对所述融合后的特征信息进行分类处理，得到所述心电信号所属的心电信号类型。
可选地，每个预设尺度的所述心电数据对应的特征信息包括第一特征信息和第二特征信息，所述第一特征信息的抽象程度小于所述第二特征信息的抽象程度，所述卷积神经网络包括第一数量的第一卷积层和第二数量的第二卷积层，所述分类模块330具体包括：
第三获取单元，用于通过所述卷积神经网络中的第一卷积层，对每个预设尺度的所述心电数据进行特征提取，得到每个预设尺度的所述心电数据对应的第一特征信息；
第四提取单元，用于通过所述卷积神经网络的所述第二卷积层，对每个预设尺度的所述心电数据对应的所述第一特征信息进行特征提取，得到每个预设尺度的所述心电数据对应的第二特征信息。
可选地，所述分类模块330具体包括：
第一拼接融合单元，用于通过所述循环神经网络对每个预设尺度的所述心电数据对应的第一特征信息进行拼接融合，得到对应的第一融合特征信息；
第二拼接融合单元，用于通过所述循环神经网络对每个预设尺度的所述心电数据对应的第二特征信息进行拼接融合，得到对应的第二融合特征信息；
第三拼接融合单元，用于通过所述循环神经网络对所述第一融合特征信息和所述第二融合特征信息进行拼接融合，得到对应的多尺度的融合后的特征信息。
可选地，所述分类模块330用于训练所述分类模型的过程，包括：
第一预处理单元，用于获取多个样本心电信号以及每个样本心电信号对应的分类标签，对每个所述样本心电信号进行预处理，得到每个所述样本心电信号对应的样本张量；
第二预处理单元，用于对所述样本张量进行多尺度重采样得到多个预设尺度的样本心电数据；
第一特征提取单元，用于通过所述深度学习网络中的卷积神经网络对每个预设尺度的所述样本心电数据进行特征提取，得到每个预设尺度的所述样本心电数据对应的样本特征信息；
第二特征提取单元，用于将每个预设尺度的所述样本心电数据对应的所述样本特征信息输入所述循环神经网络进行特征融合，得到对应的融合后的样本特征信息；
第二分类处理单元，用于通过所述分类器对对应的所述融合后的样本特征信息进行分类处理，得到每个所述样本心电信号所属的样本心电信号类型；
训练单元，用于基于每个所述样本心电信号所属的样本心电信号类型，以及每个所述样本心电信号对应的分类标签对所述深度学习网络进行迭代训练，得到所述已训练的分类模型。
可选地，所述预处理模块310包括：
第三预处理单元，用于采用不同的采样率对所述心电信号进行重采样得到多导联心电信号；
第四预处理单元，用于将所述多导联心电信号进行封装，得到所述心电信号对应的张量。
可选地，所述预处理模块310还包括：
第五预处理单元，用于将所述心电信号补齐至预设长度，得到预处理心电信号；
第六预处理单元，用于对所述预处理心电信号进行归一化处理，采用不同的采样率将归一化处理后的心电信号进行重采样得到所述多导联心电信号。
请参阅图5，图5是本申请实施例还提供的终端设备400的结构示意图，终端设备400包括存储器410、至少一个处理器420以及存储在所述存储器410中并可在所述处理器420上运行的计算机程序430，所述处理器420执行所述计算机程序430时实现上述的心电信号的处理方法。
终端设备400可以是桌上型计算机、手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personal digital assistant，PDA)等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
该终端设备400可包括但不仅限于处理器420、存储器410。本领域技术人员可以理解，图5仅仅是终端设备400的举例，并不构成对终端设备400的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备等。
所称处理器420可以是中央处理单元(Central Processing Unit，CPU)，该处理器420还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器410在一些实施例中可以是终端设备400的内部存储单元，例如终端设备400的硬盘或内存。所述存储器410在另一些实施例中也可以是所述终端设备400的外部存储设备，例如终端设备400上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器410还可以既包括终端设备400的内部存储单元也包括外部存储设备。所述存储器410用于存储操作***、应用程序、引导装载程序(Boot Loader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器410还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是，上述生成装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述辅助拍摄装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。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申请的范围。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种心电信号的处理方法，其特征在于，所述处理方法包括：
获取待分析的心电信号，对所述心电信号进行预处理，得到所述心电信号对应的张量；
对所述张量进行多尺度重采样得到多个预设尺度的心电数据；
将所述心电数据输入已训练的分类模型进行处理，得到所述心电信号所属的心电信号类型，其中，所述分类模型基于多个样本心电数据以及每个样本心电数据对应的分类标签对深度学习网络进行训练得到，所述分类模型包括卷积神经网络、循环神经网络以及分类器，在训练过程中，所述分类模型的卷积神经网络用于对多个样本心电数据进行特征提取，所述循环神经网络用于对所述卷积神经网络提取的特征信息进行融合，所述分类器用于对融合后的特征信息进行分类，得到样本心电数据对应的分类结果。
2.根据权利要求1所述的处理方法，其特征在于，所述将所述心电数据输入已训练的分类模型进行处理，得到所述心电信号所属的心电信号类型，包括：
通过所述已训练的分类模型中的所述卷积神经网络对每个预设尺度的所述心电数据进行特征提取，得到每个预设尺度的所述心电数据对应的特征信息；
将每个预设尺度的所述心电数据对应的特征信息输入所述循环神经网络进行特征融合，得到多尺度融合后的特征信息；
通过所述分类器对所述融合后的特征信息进行分类处理，得到所述心电信号所属的心电信号类型。
3.根据权利要求2所述的处理方法，其特征在于，每个预设尺度的所述心电数据对应的特征信息包括第一特征信息和第二特征信息，所述第一特征信息的抽象程度小于所述第二特征信息的抽象程度，所述卷积神经网络包括第一数量的第一卷积层和第二数量的第二卷积层；
所述通过所述已训练的分类模型中的所述卷积神经网络对每个预设尺度的所述心电数据进行特征提取，得到每个预设尺度的所述心电数据对应的特征信息，包括：
通过所述卷积神经网络中的第一卷积层，对每个预设尺度的所述心电数据进行特征提取，得到每个预设尺度的所述心电数据对应的第一特征信息；
通过所述卷积神经网络的所述第二卷积层，对每个预设尺度的所述心电数据对应的所述第一特征信息进行特征提取，得到每个预设尺度的所述心电数据对应的第二特征信息。
4.根据权利要求3所述的处理方法，其特征在于，所述将每个预设尺度的所述心电数据对应的所述特征信息输入所述循环神经网络进行特征融合，得到多尺度融合后的特征信息，包括：
通过所述循环神经网络对每个预设尺度的所述心电数据对应的第一特征信息进行融合，得到多个预设尺度的第一融合特征信息；
通过所述循环神经网络对每个预设尺度的所述心电数据对应的第二特征信息进行融合，得到多个预设尺度的第二融合特征信息；
通过所述循环神经网络对所述第一融合特征信息和所述第二融合特征信息进行进一步融合，得到对应的多尺度的融合后的特征信息。
5.根据权利要求2所述的处理方法，其特征在于，所述已训练的分类模型的训练过程，包括：
获取多个样本心电信号以及每个样本心电信号对应的分类标签，对每个所述样本心电信号进行预处理，得到每个所述样本心电信号对应的样本张量；
对所述样本张量进行多尺度重采样得到多个预设尺度的样本心电数据；
通过所述深度学习网络中的卷积神经网络对每个预设尺度的所述样本心电数据进行特征提取，得到每个预设尺度的所述样本心电数据对应的样本特征信息；
将每个预设尺度的所述样本心电数据对应的所述样本特征信息输入所述循环神经网络进行特征融合，得到多尺度的融合后的样本特征信息；
通过所述分类器对所述融合后的样本特征信息进行分类处理，得到每个所述样本心电信号所属的样本心电信号类型；
基于每个所述样本心电信号所属的样本心电信号类型，以及每个所述样本心电信号对应的分类标签对所述深度学习网络进行迭代训练，得到所述已训练的分类模型。
6.根据权利要求1至5任一项所述的处理方法，其特征在于，所述对所述心电信号进行预处理，得到所述心电信号对应的张量，包括：
采用不同的采样率对所述心电信号进行重采样得到新的多导联心电信号；
将所述多导联心电信号进行封装，得到所述心电信号对应的张量。
7.根据权利要求6所述的处理方法，其特征在于，所述采用不同的采样率对所述心电信号进行重采样得到多导联心电信号，包括：
将所述心电信号补齐至预设长度，得到预处理心电信号；
对所述预处理心电信号进行归一化处理，采用不同的采样率将归一化处理后的心电信号进行重采样得到所述多导联心电信号。
8.一种心电信号的处理装置，其特征在于，包括：
预处理模块，用于获取待分析的心电信号，对所述心电信号进行预处理，得到所述心电信号对应的张量；
采集模块，用于对所述张量进行多尺度重采样得到多个预设尺度的心电数据；
分类模块，用于将所述心电数据输入已训练的分类模型进行处理，得到所述心电信号所属的心电信号类型，其中，所述分类模型基于多个样本心电数据以及每个样本心电数据对应的分类标签对深度学习网络进行训练得到，所述分类模型包括卷积神经网络、循环神经网络以及分类器，在训练过程中，所述分类模型的卷积神经网络用于对多个样本心电数据进行特征提取，所述循环神经网络用于对所述卷积神经网络提取的特征信息进行融合，所述分类器用于对融合后的特征信息进行分类，得到样本心电数据对应的分类结果。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的处理方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911282356.8A CN111160139B (zh) | 2019-12-13 | 2019-12-13 | 心电信号的处理方法、装置及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911282356.8A CN111160139B (zh) | 2019-12-13 | 2019-12-13 | 心电信号的处理方法、装置及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111160139A true CN111160139A (zh) | 2020-05-15 |
| CN111160139B CN111160139B (zh) | 2023-10-24 |
Family
ID=70556924
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911282356.8A Active CN111160139B (zh) | 2019-12-13 | 2019-12-13 | 心电信号的处理方法、装置及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111160139B (zh) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111557659A (zh) * | 2020-05-22 | 2020-08-21 | 郑州大学 | 基于多特征融合与Stacking-DWKNN的心律失常分类方法 |
| CN111652177A (zh) * | 2020-06-12 | 2020-09-11 | 中国计量大学 | 基于深度学习的信号特征提取方法 |
| CN111700608A (zh) * | 2020-07-24 | 2020-09-25 | 武汉中旗生物医疗电子有限公司 | 一种心电信号多分类方法及装置 |
| CN111798980A (zh) * | 2020-07-10 | 2020-10-20 | 哈尔滨工业大学（深圳） | 基于深度学习网络的复杂医学生物信号处理方法和装置 |
| CN112069483A (zh) * | 2020-09-14 | 2020-12-11 | 中国科学技术大学 | 一种智能可穿戴设备的用户识别认证方法 |
| CN112133941A (zh) * | 2020-10-10 | 2020-12-25 | 西南交通大学 | 一种机车质子交换膜燃料电池***的快速故障诊断方法 |
| CN112336326A (zh) * | 2020-10-21 | 2021-02-09 | 华南师范大学 | 容积脉搏波信号处理方法、血压测量装置和存储介质 |
| CN112353402A (zh) * | 2020-10-22 | 2021-02-12 | 平安科技（深圳）有限公司 | 心电信号分类模型的训练方法、心电信号分类方法及装置 |
| CN112568908A (zh) * | 2020-12-14 | 2021-03-30 | 上海数创医疗科技有限公司 | 采用多尺度视野深度学习的心电波形定位加分类模型装置 |
| CN112818773A (zh) * | 2021-01-19 | 2021-05-18 | 青岛歌尔智能传感器有限公司 | 心率检测方法、设备及存储介质 |
| CN112990025A (zh) * | 2021-03-19 | 2021-06-18 | 北京京东拓先科技有限公司 | 用于处理数据的方法、装置、设备以及存储介质 |
| CN113052229A (zh) * | 2021-03-22 | 2021-06-29 | 武汉中旗生物医疗电子有限公司 | 一种基于心电数据的心脏病症分类方法及装置 |
| CN113080990A (zh) * | 2021-03-25 | 2021-07-09 | 南京蝶谷健康科技有限公司 | 一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法 |
| CN113239739A (zh) * | 2021-04-19 | 2021-08-10 | 深圳市安思疆科技有限公司 | 一种佩戴物的识别方法及识别装置 |
| CN113723519A (zh) * | 2021-08-31 | 2021-11-30 | 平安科技（深圳）有限公司 | 基于对比学习的心电数据处理方法、装置及存储介质 |
| CN113796873A (zh) * | 2021-10-26 | 2021-12-17 | 山东建筑大学 | 穿戴式动态心电信号分类方法及*** |
| CN113812959A (zh) * | 2021-07-26 | 2021-12-21 | 北京海思敏医疗技术有限公司 | 用于小型数据处理设备的心电数据处理方法、电子设备和存储介质 |
| CN113990499A (zh) * | 2021-10-22 | 2022-01-28 | 安徽心之声医疗科技有限公司 | 一种心脏年龄评估方法、装置、电子设备及存储介质 |
| CN114089190A (zh) * | 2021-11-11 | 2022-02-25 | 力高(山东)新能源技术有限公司 | 一种基于神经网络的电池soc估算方法 |
| WO2022221987A1 (zh) * | 2021-04-19 | 2022-10-27 | 中国科学院深圳先进技术研究院 | 一种基于可穿戴传感信息融合的能量代谢评估方法和*** |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106725428A (zh) * | 2016-12-19 | 2017-05-31 | 中国科学院深圳先进技术研究院 | 一种心电信号分类方法及装置 |
| KR20170082440A (ko) * | 2016-01-06 | 2017-07-14 | 삼성전자주식회사 | 심전도 인증 방법 및 장치 |
| 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 |
| CN107890348A (zh) * | 2017-11-21 | 2018-04-10 | 郑州大学 | 一种基于深度学习法心电节拍特征自动化提取及分类方法 |
| CN108714026A (zh) * | 2018-03-27 | 2018-10-30 | 杭州电子科技大学 | 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 |
| CN108764457A (zh) * | 2018-05-12 | 2018-11-06 | 鲁东大学 | 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 |
| CN108836307A (zh) * | 2018-05-14 | 2018-11-20 | 广东工业大学 | 一种心电智能检测装置、设备及移动终端 |
| CN110236518A (zh) * | 2019-04-02 | 2019-09-17 | 武汉大学 | 基于神经网络的心电及心震信号联合分类的方法及装置 |
| CN110313894A (zh) * | 2019-04-15 | 2019-10-11 | 四川大学 | 基于卷积神经网络的心率失常分类算法 |
| US20190374166A1 (en) * | 2018-06-08 | 2019-12-12 | Cambridge Heartwear Limited | Detecting abnormalities in ecg signals |
-
2019
- 2019-12-13 CN CN201911282356.8A patent/CN111160139B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170082440A (ko) * | 2016-01-06 | 2017-07-14 | 삼성전자주식회사 | 심전도 인증 방법 및 장치 |
| CN106725428A (zh) * | 2016-12-19 | 2017-05-31 | 中国科学院深圳先进技术研究院 | 一种心电信号分类方法及装置 |
| 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 |
| CN107890348A (zh) * | 2017-11-21 | 2018-04-10 | 郑州大学 | 一种基于深度学习法心电节拍特征自动化提取及分类方法 |
| CN108714026A (zh) * | 2018-03-27 | 2018-10-30 | 杭州电子科技大学 | 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 |
| CN108764457A (zh) * | 2018-05-12 | 2018-11-06 | 鲁东大学 | 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 |
| CN108836307A (zh) * | 2018-05-14 | 2018-11-20 | 广东工业大学 | 一种心电智能检测装置、设备及移动终端 |
| US20190374166A1 (en) * | 2018-06-08 | 2019-12-12 | Cambridge Heartwear Limited | Detecting abnormalities in ecg signals |
| CN110236518A (zh) * | 2019-04-02 | 2019-09-17 | 武汉大学 | 基于神经网络的心电及心震信号联合分类的方法及装置 |
| CN110313894A (zh) * | 2019-04-15 | 2019-10-11 | 四川大学 | 基于卷积神经网络的心率失常分类算法 |
Non-Patent Citations (1)
| Title |
|---|
| 李端;张洪欣;刘知青;黄菊香;王田;: "基于深度残差卷积神经网络的心电信号心律不齐识别", 生物医学工程学杂志, no. 02 * |
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111557659A (zh) * | 2020-05-22 | 2020-08-21 | 郑州大学 | 基于多特征融合与Stacking-DWKNN的心律失常分类方法 |
| CN111652177A (zh) * | 2020-06-12 | 2020-09-11 | 中国计量大学 | 基于深度学习的信号特征提取方法 |
| CN111798980A (zh) * | 2020-07-10 | 2020-10-20 | 哈尔滨工业大学（深圳） | 基于深度学习网络的复杂医学生物信号处理方法和装置 |
| CN111700608A (zh) * | 2020-07-24 | 2020-09-25 | 武汉中旗生物医疗电子有限公司 | 一种心电信号多分类方法及装置 |
| CN112069483A (zh) * | 2020-09-14 | 2020-12-11 | 中国科学技术大学 | 一种智能可穿戴设备的用户识别认证方法 |
| CN112133941A (zh) * | 2020-10-10 | 2020-12-25 | 西南交通大学 | 一种机车质子交换膜燃料电池***的快速故障诊断方法 |
| CN112336326A (zh) * | 2020-10-21 | 2021-02-09 | 华南师范大学 | 容积脉搏波信号处理方法、血压测量装置和存储介质 |
| CN112336326B (zh) * | 2020-10-21 | 2023-09-05 | 华南师范大学 | 容积脉搏波信号处理方法、血压测量装置和存储介质 |
| WO2021179712A1 (zh) * | 2020-10-22 | 2021-09-16 | 平安科技（深圳）有限公司 | 心电信号分类模型的训练方法、心电信号分类方法及装置 |
| CN112353402A (zh) * | 2020-10-22 | 2021-02-12 | 平安科技（深圳）有限公司 | 心电信号分类模型的训练方法、心电信号分类方法及装置 |
| CN112568908A (zh) * | 2020-12-14 | 2021-03-30 | 上海数创医疗科技有限公司 | 采用多尺度视野深度学习的心电波形定位加分类模型装置 |
| CN112818773A (zh) * | 2021-01-19 | 2021-05-18 | 青岛歌尔智能传感器有限公司 | 心率检测方法、设备及存储介质 |
| CN112990025A (zh) * | 2021-03-19 | 2021-06-18 | 北京京东拓先科技有限公司 | 用于处理数据的方法、装置、设备以及存储介质 |
| CN113052229A (zh) * | 2021-03-22 | 2021-06-29 | 武汉中旗生物医疗电子有限公司 | 一种基于心电数据的心脏病症分类方法及装置 |
| CN113052229B (zh) * | 2021-03-22 | 2023-08-29 | 武汉中旗生物医疗电子有限公司 | 一种基于心电数据的心脏病症分类方法及装置 |
| CN113080990B (zh) * | 2021-03-25 | 2023-01-10 | 南京蝶谷健康科技有限公司 | 一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法 |
| CN113080990A (zh) * | 2021-03-25 | 2021-07-09 | 南京蝶谷健康科技有限公司 | 一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法 |
| CN113239739A (zh) * | 2021-04-19 | 2021-08-10 | 深圳市安思疆科技有限公司 | 一种佩戴物的识别方法及识别装置 |
| WO2022221987A1 (zh) * | 2021-04-19 | 2022-10-27 | 中国科学院深圳先进技术研究院 | 一种基于可穿戴传感信息融合的能量代谢评估方法和*** |
| CN113812959A (zh) * | 2021-07-26 | 2021-12-21 | 北京海思敏医疗技术有限公司 | 用于小型数据处理设备的心电数据处理方法、电子设备和存储介质 |
| CN113812959B (zh) * | 2021-07-26 | 2023-10-13 | 北京海思敏医疗技术有限公司 | 用于小型数据处理设备的心电数据处理方法、电子设备和存储介质 |
| CN113723519B (zh) * | 2021-08-31 | 2023-07-25 | 平安科技（深圳）有限公司 | 基于对比学习的心电数据处理方法、装置及存储介质 |
| CN113723519A (zh) * | 2021-08-31 | 2021-11-30 | 平安科技（深圳）有限公司 | 基于对比学习的心电数据处理方法、装置及存储介质 |
| CN113990499A (zh) * | 2021-10-22 | 2022-01-28 | 安徽心之声医疗科技有限公司 | 一种心脏年龄评估方法、装置、电子设备及存储介质 |
| CN113796873A (zh) * | 2021-10-26 | 2021-12-17 | 山东建筑大学 | 穿戴式动态心电信号分类方法及*** |
| CN113796873B (zh) * | 2021-10-26 | 2024-05-03 | 山东建筑大学 | 穿戴式动态心电信号分类方法及*** |
| CN114089190A (zh) * | 2021-11-11 | 2022-02-25 | 力高(山东)新能源技术有限公司 | 一种基于神经网络的电池soc估算方法 |
| CN114089190B (zh) * | 2021-11-11 | 2023-08-22 | 深圳力高新能技术有限公司 | 一种基于神经网络的电池soc估算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111160139B (zh) | 2023-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111160139B (zh) | 心电信号的处理方法、装置及终端设备 | |
| Wu et al. | A study on arrhythmia via ECG signal classification using the convolutional neural network | |
| Liu et al. | Deep learning in ECG diagnosis: A review | |
| Ahmad et al. | ECG heartbeat classification using multimodal fusion | |
| CN108875575B (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 | |
| US20200337580A1 (en) | Time series data learning and analysis method using artificial intelligence | |
| US7174205B2 (en) | Cardiac diagnostic system and method | |
| Wang | An intelligent computer-aided approach for atrial fibrillation and atrial flutter signals classification using modified bidirectional LSTM network | |
| Luo et al. | Multi-classification of arrhythmias using a HCRNet on imbalanced ECG datasets | |
| WO2016192612A1 (zh) | 基于深度学习对医疗数据进行分析的方法及其智能分析仪 | |
| CN112294341B (zh) | 一种基于轻量卷积神经网络的睡眠脑电纺锤波识别方法及*** | |
| CN108937912B (zh) | 一种基于深度神经网络的自动心律失常分析方法 | |
| CN111956214A (zh) | 基于U-net端对端神经网络模型的QRS波自动检测方法 | |
| CN111803059A (zh) | 一种基于时域卷积网络的心电信号分类方法及装置 | |
| CN113080993A (zh) | 一种基于改进多基分类器集成的自动心律失常分析方法 | |
| CN116864140A (zh) | 一种心内科术后护理监测数据处理方法及其*** | |
| Xiao et al. | A deep feature fusion network for fetal state assessment | |
| Zhang et al. | Automatic diagnosis of arrhythmia with electrocardiogram using multiple instance learning: From rhythm annotation to heartbeat prediction | |
| Wieneke et al. | Principles of artificial intelligence and its application in cardiovascular medicine | |
| Patel et al. | Spatial feature fusion for biomedical image classification based on ensemble deep CNN and transfer learning | |
| Kuila et al. | ECG signal classification using DEA with LSTM for arrhythmia detection | |
| Song et al. | [Retracted] A Multimodel Fusion Method for Cardiovascular Disease Detection Using ECG | |
| CN114521900B (zh) | 一种基于迁移学习心律失常分类识别的方法 | |
| Petty et al. | Evaluating deep learning algorithms for real-time arrhythmia detection | |
| Alimonda et al. | A Survey on XAI for Cyber Physical Systems in Medicine |
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 |