CN111329445A - 基于组卷积残差网络和长短期记忆网络的房颤识别方法 - Google Patents
基于组卷积残差网络和长短期记忆网络的房颤识别方法 Download PDFInfo
- Publication number
- CN111329445A CN111329445A CN202010106864.7A CN202010106864A CN111329445A CN 111329445 A CN111329445 A CN 111329445A CN 202010106864 A CN202010106864 A CN 202010106864A CN 111329445 A CN111329445 A CN 111329445A
- Authority
- CN
- China
- Prior art keywords
- layer
- network
- output
- group
- convolution
- 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
- 206010003658 Atrial Fibrillation Diseases 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000007787 long-term memory Effects 0.000 title description 4
- 230000006403 short-term memory Effects 0.000 title description 4
- 230000015654 memory Effects 0.000 claims abstract description 18
- 239000010410 layer Substances 0.000 claims description 60
- 230000004913 activation Effects 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 18
- 210000004027 cell Anatomy 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 13
- 241000282326 Felis catus Species 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 6
- 238000013499 data model Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 4
- 206010019280 Heart failures Diseases 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7285—Specific aspects of physiological measurement analysis for synchronising or triggering a physiological measurement or image acquisition with a physiological event or waveform, e.g. an ECG signal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Cardiology (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于组卷积残差网络和长短期记忆网络的房颤识别方法,涉及房颤机器识别领域。本发明在基于组卷积残差网络和长短期记忆网络的网络结构上实现三个通道分别对三个不同频段的心电信号进行提取特征后再采用LSTM进行时域上的特征分析,最后将心电信号片段分类为正常、房颤、噪声较大片段和其他节拍片段,采用此网络模型可以提高在有噪声的干扰的情况下的房颤识别正确性,缩短分析时间,提高了算法的实时性,基于组卷积残差网络结构可以在不增加参数复杂度的前提下提高分类准确率,得益于残差模块中的组卷积块的拓扑结构,同时还减少了超参数的数据量。
Description
技术领域
本发明涉及房颤机器识别技术领域,具体涉及一种基于组卷积残差网络和长短期记忆网络的房颤识别方法。
背景技术
心房颤动(房颤)是最常见的心律失常疾病,在总体人口中患病率在0.4-1%左右,80岁以上的人增加到8%。房颤症状的出现还与冠心病、高血压病和心力衰竭等疾病有密切联系。房颤本身并不会直接威胁患者的生命健康。但若无及时的治疗,房颤会引起严重的并发症,如心力衰竭和中风。心力衰竭会严重影响患者的生活质量而中风被世界卫生组织列为世界第二大死因,二者严重威胁人们生命健康。因此,早期房颤检测对于预防其诱发的病症至关重要。
现有技术中对房颤的识别方法通常采用下述三种方法:
(1)Ruhi Mahajan等人提出一种一种结合概率符号模式识别和样本熵的特征提取方法,通过这种方法来表征心电信号的形态学变化,进而识别房颤信号;
(2)Xiaoyan Xu等人提出一种将改良的频率切片小波变换(Modified FrepquencySlice Wavelet Transform,MFSWT)和卷积神经网络结合在一起的一种框架,在这个框架下进行对房颤心电信号自动识别;
(3)Mohamed Limam等人提出一种基于卷积递归神经网络,其中包含两个独立的神经网络,分别从ECG和心率中提取相关的模式,然后将这些模式融合到一个递归神经网络中,通过递归神经网络负责提取模式的序列,然后通过支持向量机对最终决策进行评估。
基于上述现有技术对房颤的识别方法存在检测时间过长,房颤监控分析实时性较低的缺陷。在监控检测过程中往往需要较为干净的心电信号,且容易将混有噪声的片段误报为房颤信号,识别的准确率不高。
发明内容
为了解决上述技术存在的缺陷,本发明提供一种基于组卷积残差网络和长短期记忆网络的房颤识别方法。
本发明实现上述技术效果所采用的技术方案是:
基于组卷积残差网络和长短期记忆网络的房颤识别方法,其包括以下步骤:
S1、数据预处理,将原始心电信号用窗长为2500,步长为1的滑动窗切分为n个片段,并将切分后的片段降采样到250Hz,然后将降采样后的信号通过低通滤波、带通滤波、高通滤波,得到三个频段序列d1、d2和d3;
S2、将所述步骤S1中得到的所述三个频段序列d1、d2和d3数据一一对应输入到三个残差网络中进行特征提取;
S3、将所述步骤S2中提取的特征信号输入到LSTM中,对其时序特征进行模式序列地提取;
S4、将LSTM的输出用全连接层进行平铺,然后用交叉熵函数进行计算损失;
S5、判断损失是否小于阈值,如果为是,则保存数据模型,否则进行反向传播继续训练模型。
优选地,在上述的基于组卷积残差网络和长短期记忆网络的房颤识别方法中,所述残差网络由多个残差模块堆叠而成,所述残差模块包含一个用于将原来的单层卷积进行分组卷积的组卷积块。
优选地,在上述的基于组卷积残差网络和长短期记忆网络的房颤识别方法中,所述残差模块的第一部分为一层卷积层、批标准化层、激活层;第二部分为一个组卷积块、批标准化层、激活层;第三部分为一层卷积、批标准化层、激活层,输入该第三部分的激活层的数据为在该第三部分的批标准化输出的数据流和残差模块的输入数据之和。
优选地,在上述的基于组卷积残差网络和长短期记忆网络的房颤识别方法中,所述残差模块的第一部分的表达式为:
Fm,n=ReLU(BN(conv1D(wm,n,1,xm,n)));
其中,表示残差网络序号,表示残差模块序号,BN表示批标准化,conv1D(·)表示一维卷积,wm,n,1表示第m个网络通道第n个残差模块第一部分的卷积核参数,xm,n表示第m个网络通道第n个残差模块的输入,ReLU表示激活函数,激活函数的表达式为:
其中,x=[x1,x2,...,xg]表示组卷积块中每一组的输入,g表示组卷积的组数,i表示序数,Ti(x)表示组卷积块中每一组中三个卷积的堆叠计算过程,R(x)表示组卷积的输出结果;组卷积块表示为wi表示每一组的权重参数。
优选地,在上述的基于组卷积残差网络和长短期记忆网络的房颤识别方法中,所述残差模块的第三部分的表达式为:THm,n=ReLU(BN(conv1D(wm,n,3,Sm,n))+xm,n)其中,三个残差网络的网络通道输出后的拼接向量的表达式为:p=cat[TH1,18,TH2,18,TH3,18],操作表示对向量进行拼接。
优选地,在上述的基于组卷积残差网络和长短期记忆网络的房颤识别方法中,将三个网络通道的输出拼接后的向量p输入到LSTM中的遗忘门,得到t时刻的遗忘门为:ft=σ(Wf·cat[ht-1,pt]+bf);
其中,σ为sigmiod函数,Wf为遗忘门的权重,ht-1为上一个单元的隐含层输出,pt为t时刻的输入,bf为遗忘门的偏置;其中,Wf=dc×(dh+dp),dp为输入维度,dh为隐藏层维度,dc为单元状态的维度;
t时刻的输入门为:it=σ(Wi·cat[ht-1,pt]+bi);其中,Wi为输入门的权重,bi为输入门的偏置;
t时刻的输出门为:ot=σ(Wo·cat[ht-1,pt]+bo;其中,wo为输出门的权重,bo为输出门的偏置;
t时刻的整体单元输出为:ht=ft°tanh(ct)。
优选地,在上述的基于组卷积残差网络和长短期记忆网络的房颤识别方法中,在所述步骤S4中,LSTM的输出分类层包括两个全连接层和一个误差计算层,各自的激活函数都为ReLU,第一层全连接层的输出表达式为:第二层全连接的输出表达式为然后使用交叉熵函数对最后一个全连接层的输出进行误差计算;
其中,d表示全连接层的神经元个数,h表示LSTM的输出向量,Y(h)表示h与全连接层权重的计算。
优选地,在上述的基于组卷积残差网络和长短期记忆网络的房颤识别方法中,在所述步骤S1的数据预处理过程中,低通滤波的截止频率为5Hz,带通滤波的截止频率分别为5Hz、13Hz、高通滤波的截止频率为13Hz。
本发明的有益效果为:本发明可以在不增加参数复杂度的前提下提高分类准确率,得益于残差模块中的组卷积块的拓扑结构,同时还减少了超参数的数据量。在此网络结构上实现三个通道分别对三个不同频段的心电信号进行提取特征后再采用LSTM进行时域上的特征分析,最后将心电信号片段分类为正常、房颤、噪声较大片段和其他节拍片段。采用此网络模型可以提高在有噪声的干扰的情况下的房颤识别正确性,缩短分析时间,提高了算法的实时性。
附图说明
图1为本发明的流程示意图;
图2为本发明的网络结构图;
图3为本发明所述残差网络和残差模块的结构图;
图4为本发明所述组卷积块的结构图。
具体实施方式
为使对本发明作进一步的了解,下面参照说明书附图和具体实施例对本发明作进一步说明。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
如图1所示,本发明实施例提出的基于组卷积残差网络和长短期记忆网络的房颤识别方法,其包括以下步骤:
S1、数据预处理,将原始心电信号用窗长为2500,步长为1的滑动窗切分为n个片段,并将切分后的片段降采样到250Hz,然后将降采样后的信号通过低通滤波、带通滤波、高通滤波,得到三个频段序列d1、d2和d3;
S2、将所述步骤S1中得到的所述三个频段序列d1、d2和d3数据一一对应输入到三个残差网络中进行特征提取;
S3、将所述步骤S2中提取的特征信号输入到LSTM中,对其时序特征进行模式序列地提取;
S4、将LSTM的输出用全连接层进行平铺,然后用交叉熵函数进行计算损失;
S5、判断损失是否小于阈值,如果为是,则保存数据模型,否则进行反向传播继续训练模型。
本发明基于组卷积残差网络和长短期记忆网络构建的网络结构如图2所示,原始心电信号经过数据处理得到的三个频段序列d1、d2和d3分别一一对应输入到三个残差网络中,通过三个残差网络进行特征提取,然后通过LSTM,即长短期记忆网络对其时序特征进行模式序列地提取,接着通过两个全连接层对LSTM的输出进行平铺。
如图3所示,为所述残差网络和残差模块的结构图,在本发明的优选实施例中,如图3中的左图所示,该残差网络由多个残差模块堆叠而成。在本发明的优选实施例中,残差模块的个数为18个,在各残差模块分别包含一个用于将原来的单层卷积进行分组卷积的组卷积块。如图3中的右图所示,残差模块的第一部分是由卷积核大小为S,通道数为F的卷积以及批标准化(BatchNormalization,BN)和激活层(激活函数为ReLU)组成,残差模块的第二部分是由组卷积块以及批标准化层和激活层组成,残差模块的第三部分是由卷积核大小为S,通道数为F的卷积以及批标准化层和激活层组成。输入该第三部分的激活层的数据为在该第三部分的批标准化输出的数据流和残差模块的输入数据之和。
如图4所示,为本发明所述组卷积块的结构图,该组卷积块是将原来的单个卷积过程分为32组分别进行卷积,每一组中由三个卷积构成,其卷积核的大小分别为1、3和1,卷积步长都为1。
具体地,在本发明的优选实施例中,所述残差模块的第一部分的表达式为:
Fm,n=ReLU(BN(conv1D(wm,n,1,xm,n)));
其中,表示残差网络序号,表示残差模块序号,BN表示批标准化,conv1D(·)表示一维卷积,wm,n,1表示第m个网络通道第n个残差模块第一部分的卷积核参数,xm,n表示第m个网络通道第n个残差模块的输入,ReLU表示激活函数,激活函数的表达式为:
其中,x=[x1,x2,...,xg]表示组卷积块中每一组的输入,g表示组卷积的组数,i表示序数;wi表示每一组的权重参数,即卷积核。组卷积块的每一组的最后的结合采用将组卷积块的表达式变换为一般的形式为:其中,Ti(x)表示组卷积块中每一组中三个卷积的堆叠计算过程,R(x)表示组卷积的输出结果。将公式中的x替换成Fm,n,即可得到公式
残差模块的第三部分的表达式为:THm,n=ReLU(BN(conv1D(wm,n,3,Sm,n))+xm,n);三个残差网络的网络通道输出后的拼接向量的表达式为:p=cat[TH1,18,TH2,18,TH3,18],操作表示对向量进行拼接。
具体地,在本发明的优选实施例中,将三个网络通道的输出拼接后的向量p输入到LSTM中的遗忘门,得到t时刻的遗忘门为:ft=σ(Wf·cat[ht-1,pt]+bf);
其中,σ为sigmiod函数,Wf为遗忘门的权重,ht-1为上一个单元的隐含层输出,pt为t时刻的输入,bf为遗忘门的偏置;其中,Wf=dc×(dh+dp),dp为输入维度,dh为隐藏层维度,dc为单元状态的维度;
t时刻的输入门为:it=σ(Wi·cat[ht-1,pt]+bi);其中,Wi为输入门的权重,bi为输入门的偏置;
t时刻的输出门为:ot=σ(Wo·cat[ht-1,pt]+bo);其中,wo为输出门的权重,bo为输出门的偏置;
t时刻的整体单元输出为:ht=ft°tanh(ct)。
在所述步骤S4中,LSTM的输出分类层包括两个全连接层和一个误差计算层,各自的激活函数都为ReLU,第一层全连接层的输出表达式为:第二层全连接的输出表达式为然后使用交叉熵函数对最后一个全连接层的输出进行误差计算。
其中,d表示全连接层的神经元个数,h表示LSTM的输出向量,Y(h)表示h与全连接层权重的计算。
具体地,在本发明的优选实施例中,在步骤S1的数据预处理过程中,低通滤波的截止频率为5Hz,带通滤波的截止频率分别为5Hz、13Hz、高通滤波的截止频率为13Hz。
经实验效果发现植入该算法模型的心电监护仪和心电图机能够实时监控受试者的心电状态,受试者出现产生房颤信号后,监护仪最快能够在5秒左右准确报警,实时性得到有效提高。同时在心电信号干扰较大时误报率得到有效减少。
综上所述,本发明可以在不增加参数复杂度的前提下提高分类准确率,得益于残差模块中的组卷积块的拓扑结构,同时还减少了超参数的数据量。在此网络结构上实现三个通道分别对三个不同频段的心电信号进行提取特征后再采用LSTM进行时域上的特征分析,最后将心电信号片段分类为正常、房颤、噪声较大片段和其他节拍片段。采用此网络模型可以提高在有噪声的干扰的情况下的房颤识别正确性,缩短分析时间,提高了算法的实时性。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内,本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (9)
1.基于组卷积残差网络和长短期记忆网络的房颤识别方法,其特征在于,包括以下步骤:
S1、数据预处理,将原始心电信号用窗长为2500,步长为1的滑动窗切分为n个片段,并将切分后的片段降采样到250Hz,然后将降采样后的信号通过低通滤波、带通滤波、高通滤波,得到三个频段序列d1、d2和d3;
S2、将所述步骤S1中得到的所述三个频段序列d1、d2和d3数据一一对应输入到三个残差网络中进行特征提取;
S3、将所述步骤S2中提取的特征信号输入到LSTM中,对其时序特征进行模式序列地提取;
S4、将LSTM的输出用全连接层进行平铺,然后用交叉熵函数进行计算损失;
S5、判断损失是否小于阈值,如果为是,则保存数据模型,否则进行反向传播继续训练模型。
2.根据权利要求1所述的基于组卷积残差网络和长短期记忆网络的房颤识别方法,其特征在于,所述残差网络由多个残差模块堆叠而成,所述残差模块包含一个用于将原来的单层卷积进行分组卷积的组卷积块。
3.根据权利要求2所述的基于组卷积残差网络和长短期记忆网络的房颤识别方法,其特征在于,所述残差模块的第一部分为一层卷积层、批标准化层、激活层;第二部分为一个组卷积块、批标准化层、激活层;第三部分为一层卷积、批标准化层、激活层,输入该第三部分的激活层的数据为在该第三部分的批标准化输出的数据流和残差模块的输入数据之和。
7.根据权利要求6所述的基于组卷积残差网络和长短期记忆网络的房颤识别方法,其特征在于,将三个网络通道的输出拼接后的向量p输入到LSTM中的遗忘门,得到t时刻的遗忘门为:ft=σ(Wf·cat[ht-1,pt]+bf);
其中,σ为sigmiod函数,Wf为遗忘门的权重,ht-1为上一个单元的隐含层输出,pt为t时刻的输入,bf为遗忘门的偏置;其中,Wf=dcx(dh+dp),dp为输入维度,dh为隐藏层维度,dc为单元状态的维度;
t时刻的输入门为:it=σ(Wi·cat[ht-1,pt]+bi);其中,Wi为输入门的权重,bi为输入门的偏置;
t时刻的输出门为:ot=σ(Wo·cat[ht-1,pt]+bo;其中,wo为输出门的权重,bo为输出门的偏置;
9.根据权利要求1所述的基于组卷积残差网络和长短期记忆网络的房颤识别方法,其特征在于,在所述步骤S1的数据预处理过程中,低通滤波的截止频率为5Hz,带通滤波的截止频率分别为5Hz、13Hz、高通滤波的截止频率为13Hz。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010106864.7A CN111329445B (zh) | 2020-02-20 | 2020-02-20 | 基于组卷积残差网络和长短期记忆网络的房颤识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010106864.7A CN111329445B (zh) | 2020-02-20 | 2020-02-20 | 基于组卷积残差网络和长短期记忆网络的房颤识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111329445A true CN111329445A (zh) | 2020-06-26 |
CN111329445B CN111329445B (zh) | 2023-09-15 |
Family
ID=71173874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010106864.7A Active CN111329445B (zh) | 2020-02-20 | 2020-02-20 | 基于组卷积残差网络和长短期记忆网络的房颤识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111329445B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111920375A (zh) * | 2020-09-30 | 2020-11-13 | 平安科技(深圳)有限公司 | 一种抗血管内皮生长因子vegf疗效预测装置及方法 |
CN111920405A (zh) * | 2020-09-15 | 2020-11-13 | 齐鲁工业大学 | 一种房颤信号识别***及方法 |
CN112244861A (zh) * | 2020-10-09 | 2021-01-22 | 广东工业大学 | 一种单导联心电信号f波提取方法 |
CN112426160A (zh) * | 2020-11-30 | 2021-03-02 | 贵州省人民医院 | 一种心电信号类型识别方法及装置 |
CN112836569A (zh) * | 2020-12-15 | 2021-05-25 | 泰山学院 | 基于序列卷积网络的水声通信信号识别方法、***及设备 |
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*** |
CN114858467A (zh) * | 2022-05-26 | 2022-08-05 | 上海交通大学 | 柴油机抗噪和跨噪声域失火诊断方法及*** |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006068145A1 (ja) * | 2004-12-22 | 2006-06-29 | Dainippon Sumitomo Pharma Co., Ltd | 心電図波形補正表示装置および心電図波形補正表示方法 |
CN104783780A (zh) * | 2015-04-13 | 2015-07-22 | 深圳市飞马与星月科技研究有限公司 | 心电信号除噪方法及装置 |
CN106096579A (zh) * | 2016-06-22 | 2016-11-09 | 天津理工大学 | 一种心电信号预处理的方法 |
CN108113666A (zh) * | 2017-12-19 | 2018-06-05 | 中国科学院深圳先进技术研究院 | 房颤信号的识别方法、装置和设备 |
CN108606798A (zh) * | 2018-05-10 | 2018-10-02 | 东北大学 | 基于深度卷积残差网络的非接触式房颤智能检测*** |
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 |
CN110046604A (zh) * | 2019-04-25 | 2019-07-23 | 成都信息工程大学 | 一种基于残差网络的单导联ecg心律失常检测分类方法 |
CN110226918A (zh) * | 2019-06-26 | 2019-09-13 | 广州视源电子科技股份有限公司 | 心电信号类型检测方法、装置、计算机设备及存储介质 |
CN110309758A (zh) * | 2019-06-26 | 2019-10-08 | 广州视源电子科技股份有限公司 | 心电信号特征提取方法、装置、计算机设备及存储介质 |
CN110327039A (zh) * | 2019-04-15 | 2019-10-15 | 四川大学 | 基于卷积神经网络的房颤分类方法 |
CN110393519A (zh) * | 2019-08-19 | 2019-11-01 | 广州视源电子科技股份有限公司 | 心电信号的分析方法、装置、存储介质和处理器 |
CN110522440A (zh) * | 2019-08-12 | 2019-12-03 | 广州视源电子科技股份有限公司 | 基于分组卷积神经网络的心电信号识别装置 |
CN110680278A (zh) * | 2019-09-10 | 2020-01-14 | 广州视源电子科技股份有限公司 | 基于卷积神经网络的心电信号识别装置 |
-
2020
- 2020-02-20 CN CN202010106864.7A patent/CN111329445B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006068145A1 (ja) * | 2004-12-22 | 2006-06-29 | Dainippon Sumitomo Pharma Co., Ltd | 心電図波形補正表示装置および心電図波形補正表示方法 |
CN104783780A (zh) * | 2015-04-13 | 2015-07-22 | 深圳市飞马与星月科技研究有限公司 | 心电信号除噪方法及装置 |
CN106096579A (zh) * | 2016-06-22 | 2016-11-09 | 天津理工大学 | 一种心电信号预处理的方法 |
CN108113666A (zh) * | 2017-12-19 | 2018-06-05 | 中国科学院深圳先进技术研究院 | 房颤信号的识别方法、装置和设备 |
CN108606798A (zh) * | 2018-05-10 | 2018-10-02 | 东北大学 | 基于深度卷积残差网络的非接触式房颤智能检测*** |
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 |
CN110327039A (zh) * | 2019-04-15 | 2019-10-15 | 四川大学 | 基于卷积神经网络的房颤分类方法 |
CN110046604A (zh) * | 2019-04-25 | 2019-07-23 | 成都信息工程大学 | 一种基于残差网络的单导联ecg心律失常检测分类方法 |
CN110226918A (zh) * | 2019-06-26 | 2019-09-13 | 广州视源电子科技股份有限公司 | 心电信号类型检测方法、装置、计算机设备及存储介质 |
CN110309758A (zh) * | 2019-06-26 | 2019-10-08 | 广州视源电子科技股份有限公司 | 心电信号特征提取方法、装置、计算机设备及存储介质 |
CN110522440A (zh) * | 2019-08-12 | 2019-12-03 | 广州视源电子科技股份有限公司 | 基于分组卷积神经网络的心电信号识别装置 |
CN110393519A (zh) * | 2019-08-19 | 2019-11-01 | 广州视源电子科技股份有限公司 | 心电信号的分析方法、装置、存储介质和处理器 |
CN110680278A (zh) * | 2019-09-10 | 2020-01-14 | 广州视源电子科技股份有限公司 | 基于卷积神经网络的心电信号识别装置 |
Non-Patent Citations (2)
Title |
---|
KENSHO HARA ET AL.: ""Can Spatiotemporal 3D CNNs Retrace the History of 2D CNNs and ImageNet?"", pages 3 * |
SAINING XIE ET AL.: "\"Aggregated Residual Transformations for Deep Neural Networks\"", pages 3 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111920405A (zh) * | 2020-09-15 | 2020-11-13 | 齐鲁工业大学 | 一种房颤信号识别***及方法 |
CN111920375A (zh) * | 2020-09-30 | 2020-11-13 | 平安科技(深圳)有限公司 | 一种抗血管内皮生长因子vegf疗效预测装置及方法 |
CN111920375B (zh) * | 2020-09-30 | 2021-01-15 | 平安科技(深圳)有限公司 | 一种抗血管内皮生长因子vegf疗效预测装置及方法 |
CN112244861A (zh) * | 2020-10-09 | 2021-01-22 | 广东工业大学 | 一种单导联心电信号f波提取方法 |
CN112426160A (zh) * | 2020-11-30 | 2021-03-02 | 贵州省人民医院 | 一种心电信号类型识别方法及装置 |
CN112836569A (zh) * | 2020-12-15 | 2021-05-25 | 泰山学院 | 基于序列卷积网络的水声通信信号识别方法、***及设备 |
CN112836569B (zh) * | 2020-12-15 | 2023-01-03 | 泰山学院 | 基于序列卷积网络的水声通信信号识别方法、***及设备 |
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*** |
CN114858467A (zh) * | 2022-05-26 | 2022-08-05 | 上海交通大学 | 柴油机抗噪和跨噪声域失火诊断方法及*** |
CN114858467B (zh) * | 2022-05-26 | 2023-05-26 | 上海交通大学 | 柴油机抗噪和跨噪声域失火诊断方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111329445B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111329445A (zh) | 基于组卷积残差网络和长短期记忆网络的房颤识别方法 | |
CN111261282A (zh) | 一种基于机器学习的脓毒症早期预测方法 | |
US8649854B2 (en) | Method and device for the determination of murmur frequency band | |
Priscila et al. | Heart Disease Prediction Using Integer-Coded Genetic Algorithm (ICGA) Based Particle Clonal Neural Network (ICGA-PCNN) | |
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*** | |
CN111009324B (zh) | 脑网络多特征分析的轻度认知障碍辅助诊断***及方法 | |
CN111297349A (zh) | 一种基于机器学习的心律分类*** | |
CN110638430B (zh) | 级联神经网络ecg信号心律失常分类模型的搭建方法 | |
CN113080993B (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 | |
CN110491506A (zh) | 心房颤动预测模型及其预测*** | |
CN113349793A (zh) | 一种基于分层注意力模型的心律失常分类方法 | |
Aksakallı et al. | Kidney x-ray images classification using machine learning and deep learning methods | |
Rujoie et al. | Classification and evaluation of the severity of tricuspid regurgitation using phonocardiogram | |
Prakash et al. | A system for automatic cardiac arrhythmia recognition using electrocardiogram signal | |
CN113180679A (zh) | 一种单导联心电异常信号识别方法 | |
Praveen et al. | Chronic kidney disease prediction using ML-based neuro-fuzzy model | |
Avşar | Effects of image preprocessing on the performance of convolutional neural networks for pneumonia detection | |
US6941288B2 (en) | Online learning method in a decision system | |
Hilmy et al. | Ensembles of convolutional neural networks for skin lesion dermoscopy images classification | |
Nimitha et al. | Supervised chromosomal anomaly detection using VGG-16 CNN model | |
Hatode et al. | Evolution and Testimony of Deep Learning Algorithm for Diabetic Retinopathy Detection | |
Wen et al. | ECG beat classification using GreyART network | |
VK et al. | Down syndrome identification and classification using facial features with neural network | |
Ghodake et al. | Optimized cardiovascular disease detection and features extraction algorithms from ECG data | |
Fu’adah et al. | An optimal approach for heart sound classification using artificial neural network |
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 |