CN111460953B - 一种基于对抗域自适应学习的心电信号分类方法 - Google Patents
一种基于对抗域自适应学习的心电信号分类方法 Download PDFInfo
- Publication number
- CN111460953B CN111460953B CN202010221886.8A CN202010221886A CN111460953B CN 111460953 B CN111460953 B CN 111460953B CN 202010221886 A CN202010221886 A CN 202010221886A CN 111460953 B CN111460953 B CN 111460953B
- Authority
- CN
- China
- Prior art keywords
- domain
- layer
- classification
- module
- electrocardiosignal
- 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]
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Animal Behavior & Ethology (AREA)
- Mathematical Physics (AREA)
- Heart & Thoracic Surgery (AREA)
- Databases & Information Systems (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Surgery (AREA)
- Epidemiology (AREA)
- Psychiatry (AREA)
- Fuzzy Systems (AREA)
- Physiology (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于对抗域自适应学习的心电信号分类方法,使用多尺度特征提取模块提取的特征是高度域不变的,减少了域间差异,源域样本训练的模型也可以在目标域上更好的应用,网络训练结束后,保存最优模型,将新的心拍样本输入到保存的最优模型中,获得最终分类效果。使用多特征提取器可以增加特征的丰富性,更加全面的提取心电信号的细节信息,同时使用对抗域自适应学习的方法,可改善不同域样本分布不同的现象,获得高度概括源域样本和目标域样本之间的域不变特征,通过这些特征训练一个对目标域高度适用的分类模型,可提高数据分布不同的跨域心电信号的分类精度。
Description
技术领域
本发明涉及心电信号分类技术领域,具体涉及一种基于对抗域自适应学习的心电信号分类方法。
背景技术
心电信号作为一种能够表征心脏状况的生理信号,具有重要应用意义。随着深度学习在计算机领域的发展,大量研究人员将其运用到心电信号的检测及分类中。比如,多层卷积网络,长短时记忆网络,浅层DNN网络等。
虽然深度学习在心电领域已经获得耀眼的成就,但现有深度学习方法中训练集和测试集特征分布存在差异,仅依赖于训练集训练的模型无法高度适用于测试集,导致分类精度较低。而且当前算法大都通过单一特征提取器提取信号特征,特征不丰富,不完整,心电信号的细节特征无法完全捕捉。
发明内容
本发明为了克服以上技术的不足,提供了一种通过提取多尺度特征、不同数据分布信号之间的域不变特征得到分类准确率高的基于对抗域自适应学习的心电信号分类方法。
本发明克服其技术问题所采用的技术方案是:
一种基于对抗域自适应学习的心电信号分类方法,包括如下步骤:
a)通过心电采集设备采集来自不同个体、不同采集装置、不同采集环境下的心电信号,已经标注心拍标签的心电信号为标注的心拍样本,未标注心拍标签的心电信号为未标注的心拍样本,完成数据采集;
b)利用计算机对心电信号执行带通滤波器和离散小波变换处理,消除肌电噪声和基线漂移噪声对心电信号的影响,之后将进行心拍分割,引入时间特征增强心拍特征,将时间特征与分割的心拍进行拼接,得到预处理后的心拍,完成数据预处理;
c)建立包含多尺度特征提取模块、域判别模块和分类模块的对抗域自适应网络模型,在该网络模型中通过在心拍中引入时间特征及提取多尺度特征,特征提取模块提取多尺度特征,将提取到的多尺度特征进行拼接组成新的特征作为域判别模块的输入,域判别模块判定输入特征来源,分类模块对目标域信号特征进行分类预测;
d)通过对抗域自适应学习法将步骤c)中的对抗域自适应网络模型训练成一个对目标域高度适用的最优的分类模型;
e)保存最优的模型,将新获得的心电信号作为最优的分类模型的输入,获得心拍标签。
进一步的,步骤b)的处理步骤如下:
b-1)利用计算机对心电信号中包含肌电噪声和基线漂移噪声的心电信号y使用截断频率为[0.5,40]的带通滤波器和基函数为db6的离散小波变换进行去噪,得到降噪后的心电信号y′;
b-2)利用Pan TompkinQRS检测算法提取心电信号的R峰位置,截取R峰前N个采样点和R峰后M个采样点构成的完整心拍H0;
b-3)计算每条心电信号对应的RR间期PRR以及RR间期的平均值通过公式进行归一化计算,得到归一化的RR间期NRR;b-4)通过公式M=[H0;NRR]将原始心拍H0与归一化的RR间期NRR进行组合,得到新的特征M。
进一步的,步骤c)的特征提取模块的处理步骤如下:
c-1)将标注的心拍样本划分为源域样本,将未标注的心拍样本划分为目标域样本;
c-2)通过三层卷积块对源域样本和目标域样本提取浅层特征FS,卷积块由Conv层、Dropout层、Relu激活层以及最大池化层构成,Conv层的卷积核大小为3;
c-3)将浅层特征FS分别作为三个多尺度特征提取器的输入,获得三个尺度特征FS1、FS2和FS3,其中第一个多尺度特征提取器由2个Conv层构成,2个Conv层的卷积核大小分别为1和3,第二个多尺度特征提取器由一个卷积核为1的Conv层构成,第三个多尺度特征提取器由一个卷积核为3的均值池化层和一个卷积核为1的Conv层构成;
c-4)通过公式f=[FS1;FS2;FS3]将尺度特征FS1、尺度特征FS2和尺度特征FS3进行拼接得到新的特征f。
优选的,步骤c)的域判别模块由三层卷积块、一个全连接层和一个Sigmoid层组成,第一个卷积块由卷积核3的Conv层、Relu激活层和Dropout层构成,第二个卷积块由卷积核3的Conv层、Relu激活层、Dropout层及Batchnorm层构成,第三个卷积块由卷积核3的Conv层、Relu激活层、Dropout层及Batchnorm层构成。
优选的,步骤c)的分类模块由两个全连接模块和一个Softmax分类器构成,其中全连接模块由全连接层、Dropout层、Batchnorm层以及Relu激活层构成。进一步的,步骤d)的处理步骤如下:
d-1)将步骤c)中的对抗域自适应网络模型中引入损失函数,损失函数包括分类模块的分类损失Lc(·,·)以及域判别模块的分类损失Ld(·,·),通过公式计算联合损失L(ωf,ωc,ωd),式中为第i个训练样本中计算的分类模块损失函数,为第i个训练样本中计算的域判别模块损失函数,ωf为多尺度特征提取模块的参数,ωc为分类模块的参数,ωd为域判别模块的参数,λ为控制两个学习目标之间的权重,di=0表示第i个样本是源域样本,di=0,1表示第i个样本既包含源域样本又包含目标域样本;
d-2)保持域判别模块的参数ωd不变,通过公式计算得到最大化域判别模块的损失来更新多尺度特征提取模块的参数ωf获取域不变的特征以及最小化分类模块的损失更新分类模块的参数ωc获得精准预测标签的分类模型,式中为ωf所寻求鞍点位置的参数值,为ωc所寻求鞍点位置的参数值,为ωd所寻求鞍点位置的参数值;
优选的,b-2)中截取R峰前140个采样点和R峰后139个采样点构成一个280维的完整心拍H0。
本发明的有益效果是:使用多尺度特征提取模块提取的特征是高度域不变的,减少了域间差异,源域样本训练的模型也可以在目标域上更好的应用,网络训练结束后,保存最优模型,将新的心拍样本输入到保存的最优模型中,获得最终分类效果。使用多特征提取器可以增加特征的丰富性,更加全面的提取心电信号的细节信息,同时使用对抗域自适应学习的方法,可改善不同域样本分布不同的现象,获得高度概括源域样本和目标域样本之间的域不变特征,通过这些特征训练一个对目标域高度适用的分类模型,可提高数据分布不同的跨域心电信号的分类精度。
附图说明
图1为本发明的心电信号分类方法的流程图。
具体实施方式
下面结合附图1对本发明做进一步说明。
一种基于对抗域自适应学习的心电信号分类方法,包括如下步骤:
a)通过心电采集设备采集来自不同个体、不同采集装置、不同采集环境下的心电信号,已经标注心拍标签的心电信号为标注的心拍样本,未标注心拍标签的心电信号为未标注的心拍样本,完成数据采集;
b)利用计算机对心电信号执行带通滤波器和离散小波变换处理,消除肌电噪声和基线漂移噪声对心电信号的影响,之后将进行心拍分割,引入时间特征增强心拍特征,将时间特征与分割的心拍进行拼接,得到预处理后的心拍,完成数据预处理;
c)建立包含多尺度特征提取模块、域判别模块和分类模块的对抗域自适应网络模型,在该网络模型中通过在心拍中引入时间特征及提取多尺度特征,特征提取模块提取多尺度特征,将提取到的多尺度特征进行拼接组成新的特征作为域判别模块的输入,域判别模块判定输入特征来源,分类模块对目标域信号特征进行分类预测;
d)通过对抗域自适应学习法将步骤c)中的对抗域自适应网络模型训练成一个对目标域高度适用的最优的分类模型;
e)保存最优的模型,将新获得的心电信号作为最优的分类模型的输入,获得心拍标签。
使用多尺度特征提取模块提取的特征是高度域不变的,减少了域间差异,源域样本训练的模型也可以在目标域上更好的应用,网络训练结束后,保存最优模型,将新的心拍样本输入到保存的最优模型中,获得最终分类效果。使用多特征提取器可以增加特征的丰富性,更加全面的提取心电信号的细节信息,同时使用对抗域自适应学习的方法,可改善不同域样本分布不同的现象,获得高度概括源域样本和目标域样本之间的域不变特征,通过这些特征训练一个对目标域高度适用的分类模型,可提高数据分布不同的跨域心电信号的分类精度。
进一步的,步骤b)的处理步骤如下:
b-1)利用计算机对心电信号中包含肌电噪声和基线漂移噪声的心电信号y使用截断频率为[0.5,40]的带通滤波器和基函数为db6的离散小波变换进行去噪,得到降噪后的心电信号y′;
b-2)利用Pan TompkinQRS检测算法提取心电信号的R峰位置,截取R峰前N个采样点和R峰后M个采样点构成的完整心拍H0;
b-3)计算每条心电信号对应的RR间期PRR以及RR间期的平均值通过公式进行归一化计算,得到归一化的RR间期NRR;b-4)通过公式M=[H0;NRR]将原始心拍H0与归一化的RR间期NRR进行组合,得到新的特征M。
其中优选的,b-2)中截取R峰前140个采样点和R峰后139个采样点构成一个280维的完整心拍H0。
进一步的,步骤c)的特征提取模块的处理步骤如下:
c-1)将标注的心拍样本划分为源域样本,将未标注的心拍样本划分为目标域样本;
c-2)通过三层卷积块对源域样本和目标域样本提取浅层特征FS,卷积块由Conv层、Dropout层、Relu激活层以及最大池化层构成,Conv层的卷积核大小为3;
c-3)将浅层特征FS分别作为三个多尺度特征提取器的输入,获得三个尺度特征FS1、FS2和FS3,其中第一个多尺度特征提取器由2个Conv层构成,2个Conv层的卷积核大小分别为1和3,第二个多尺度特征提取器由一个卷积核为1的Conv层构成,第三个多尺度特征提取器由一个卷积核为3的均值池化层和一个卷积核为1的Conv层构成;
c-4)通过公式f=[FS1;FS2;FS3]将尺度特征FS1、尺度特征FS2和尺度特征FS3进行拼接得到新的特征f。
域判别模块用于实现输入特征的判断,可区分来自源域和目标域的输入特征,因此步骤c)的域判别模块由三层卷积块、一个全连接层和一个Sigmoid层组成,第一个卷积块由卷积核3的Conv层、Relu激活层和Dropout层构成,第二个卷积块由卷积核3的Conv层、Relu激活层、Dropout层及Batchnorm层构成,第三个卷积块由卷积核3的Conv层、Relu激活层、Dropout层及Batchnorm层构成。
分类模块用于对来自源域的特征进行分类预测,因此步骤c)的分类模块由两个全连接模块和一个Softmax分类器构成,其中全连接模块由全连接层、Dropout层、Batchnorm层以及Relu激活层构成。
进一步的,步骤d)的处理步骤如下:
d-1)将步骤c)中的对抗域自适应网络模型中引入损失函数,损失函数包括分类模块的分类损失Lc(·,·)以及域判别模块的分类损失Ld(·,·),通过公式计算联合损失L(ωf,ωc,ωd),式中为第i个训练样本中计算的分类模块损失函数,为第i个训练样本中计算的域判别模块损失函数,ωf为多尺度特征提取模块的参数,ωc为分类模块的参数,ωd为域判别模块的参数,λ为控制两个学习目标之间的权重,di=0表示第i个样本是源域样本,di=0,1表示第i个样本既包含源域样本又包含目标域样本;
训练过程由以下步骤构成:
d-2)保持域判别模块的参数ωd不变,通过公式计算得到最大化域判别模块的损失来更新多尺度特征提取模块的参数ωf获取域不变的特征以及最小化分类模块的损失更新分类模块的参数ωc获得精准预测标签的分类模型,式中为ωf所寻求鞍点位置的参数值,为ωc所寻求鞍点位置的参数值,为ωd所寻求鞍点位置的参数值;
通过以上的对抗训练,交替更新参数,最终保持动态平衡,获取最优值,使多尺度特征提取模块提取的特征是高度域不变的,减少了域间差异,源域样本的训练的模型也可以在目标域上更好的应用。
Claims (6)
1.一种基于对抗域自适应学习的心电信号分类方法,其特征在于,包括如下步骤:
a)通过心电采集设备采集来自不同个体、不同采集装置、不同采集环境下的心电信号,已经标注心拍标签的心电信号为标注的心拍样本,未标注心拍标签的心电信号为未标注的心拍样本,完成数据采集;
b)利用计算机对心电信号执行带通滤波器和离散小波变换处理,消除肌电噪声和基线漂移噪声对心电信号的影响,之后将进行心拍分割,引入时间特征增强心拍特征,将时间特征与分割的心拍进行拼接,得到预处理后的心拍,完成数据预处理;
c)建立包含多尺度特征提取模块、域判别模块和分类模块的对抗域自适应网络模型,在该网络模型中通过在心拍中引入时间特征及提取多尺度特征,特征提取模块提取多尺度特征,将提取到的多尺度特征进行拼接组成新的特征作为域判别模块的输入,域判别模块判定输入特征来源,分类模块对目标域信号特征进行分类预测;
d)通过对抗域自适应学习法将步骤c)中的对抗域自适应网络模型训练成一个对目标域高度适用的最优的分类模型;
e)保存最优的模型,将新获得的心电信号作为最优的分类模型的输入,获得心拍标签;
步骤d)的处理步骤如下:
d-1)将步骤c)中的对抗域自适应网络模型中引入损失函数,损失函数包括分类模块的分类损失Lc(·,·)以及域判别模块的分类损失Ld(·,·),通过公式计算联合损失L(ωf,ωc,ωd),式中为第i个训练样本中计算的分类模块损失函数,为第i个训练样本中计算的域判别模块损失函数,ωf为多尺度特征提取模块的参数,ωc为分类模块的参数,ωd为域判别模块的参数,λ为控制两个学习目标之间的权重,di=0表示第i个样本是源域样本,di=0,1表示第i个样本既包含源域样本又包含目标域样本;
d-2)保持域判别模块的参数ωd不变,通过公式计算得到最大化域判别模块的损失来更新多尺度特征提取模块的参数ωf获取域不变的特征以及最小化分类模块的损失更新分类模块的参数ωc获得精准预测标签的分类模型,式中为ωf所寻求鞍点位置的参数值,为ωc所寻求鞍点位置的参数值,为ωd所寻求鞍点位置的参数值;
2.根据权利要求1所述的基于对抗域自适应学习的心电信号分类方法,其特征在于,步骤b)包括如下步骤:
b-1)利用计算机对心电信号中包含肌电噪声和基线漂移噪声的心电信号y使用截断频率为[0.5,40]的带通滤波器和基函数为db6的离散小波变换进行去噪,得到降噪后的心电信号y′;
b-2)利用Pan TompkinQRS检测算法提取心电信号的R峰位置,截取R峰前N个采样点和R峰后M个采样点构成的完整心拍H0;
b-4)通过公式M=[H0;NRR]将原始心拍H0与归一化的RR间期NRR进行组合,得到新的特征M。
3.根据权利要求1所述的基于对抗域自适应学习的心电信号分类方法,其特征在于,步骤c)的特征提取模块的处理步骤如下:
c-1)将标注的心拍样本划分为源域样本,将未标注的心拍样本划分为目标域样本;
c-2)通过三层卷积块对源域样本和目标域样本提取浅层特征FS,卷积块由Conv层、Dropout层、Relu激活层以及最大池化层构成,Conv层的卷积核大小为3;
c-3)将浅层特征FS分别作为三个多尺度特征提取器的输入,获得三个尺度特征FS1、FS2和FS3,其中第一个多尺度特征提取器由2个Conv层构成,2个Conv层的卷积核大小分别为1和3,第二个多尺度特征提取器由一个卷积核为1的Conv层构成,第三个多尺度特征提取器由一个卷积核为3的均值池化层和一个卷积核为1的Conv层构成;
c-4)通过公式f=[FS1;FS2;FS3]将尺度特征FS1、尺度特征FS2和尺度特征FS3进行拼接得到新的特征f。
4.根据权利要求1所述的基于对抗域自适应学习的心电信号分类方法,其特征在于,步骤c)的域判别模块由三层卷积块、一个全连接层和一个Sigmoid层组成,第一个卷积块由卷积核3的Conv层、Relu激活层和Dropout层构成,第二个卷积块由卷积核3的Conv层、Relu激活层、Dropout层及Batchnorm层构成,第三个卷积块由卷积核3的Conv层、Relu激活层、Dropout层及Batchnorm层构成。
5.根据权利要求1所述的基于对抗域自适应学习的心电信号分类方法,其特征在于:步骤c)的分类模块由两个全连接模块和一个Softmax分类器构成,其中全连接模块由全连接层、Dropout层、Batchnorm层以及Relu激活层构成。
6.根据权利要求2所述的基于对抗域自适应学习的心电信号分类方法,其特征在于:步骤b-2)中截取R峰前140个采样点和R峰后139个采样点构成一个280维的完整心拍H0。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010221886.8A CN111460953B (zh) | 2020-03-26 | 2020-03-26 | 一种基于对抗域自适应学习的心电信号分类方法 |
NL2025958A NL2025958B1 (en) | 2020-03-26 | 2020-06-30 | Electrocardiogram signal classification method based on adversarial domain adaptive learning |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010221886.8A CN111460953B (zh) | 2020-03-26 | 2020-03-26 | 一种基于对抗域自适应学习的心电信号分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111460953A CN111460953A (zh) | 2020-07-28 |
CN111460953B true CN111460953B (zh) | 2021-05-18 |
Family
ID=71685013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010221886.8A Active CN111460953B (zh) | 2020-03-26 | 2020-03-26 | 一种基于对抗域自适应学习的心电信号分类方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111460953B (zh) |
NL (1) | NL2025958B1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460953B (zh) * | 2020-03-26 | 2021-05-18 | 山东省人工智能研究院 | 一种基于对抗域自适应学习的心电信号分类方法 |
CN111772625B (zh) * | 2020-08-21 | 2021-08-10 | 生物岛实验室 | 心电图数据增广方法、装置、电子设备及介质 |
CN113095238B (zh) * | 2021-04-15 | 2021-12-28 | 山东省人工智能研究院 | 一种基于联邦学习的个性化心电信号监测方法 |
CN115553786B (zh) * | 2022-09-30 | 2024-05-28 | 哈尔滨理工大学 | 一种基于无监督领域自适应的心梗定位方法 |
CN116778969B (zh) * | 2023-06-25 | 2024-03-01 | 山东省人工智能研究院 | 一种基于双通道交叉注意力的域适应的心音分类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109645980A (zh) * | 2018-11-14 | 2019-04-19 | 天津大学 | 一种基于深度迁移学习的心律异常分类方法 |
CN110008674A (zh) * | 2019-03-25 | 2019-07-12 | 浙江大学 | 一种高泛化性的心电信号身份认证方法 |
CN110141218A (zh) * | 2019-06-17 | 2019-08-20 | 东软集团股份有限公司 | 一种心电信号分类方法、装置及程序产品、存储介质 |
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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8396825B2 (en) * | 2009-02-25 | 2013-03-12 | Toyota Motor Engineering & Manufacturing North America | Method and system to recognize temporal events using enhanced temporal decision trees |
CN111460953B (zh) * | 2020-03-26 | 2021-05-18 | 山东省人工智能研究院 | 一种基于对抗域自适应学习的心电信号分类方法 |
-
2020
- 2020-03-26 CN CN202010221886.8A patent/CN111460953B/zh active Active
- 2020-06-30 NL NL2025958A patent/NL2025958B1/en not_active IP Right Cessation
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109645980A (zh) * | 2018-11-14 | 2019-04-19 | 天津大学 | 一种基于深度迁移学习的心律异常分类方法 |
CN110008674A (zh) * | 2019-03-25 | 2019-07-12 | 浙江大学 | 一种高泛化性的心电信号身份认证方法 |
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 |
CN110141218A (zh) * | 2019-06-17 | 2019-08-20 | 东软集团股份有限公司 | 一种心电信号分类方法、装置及程序产品、存储介质 |
Non-Patent Citations (3)
Title |
---|
"ECG Classification Based on Unfixed-Length Segmentation of Heartbeat";Bin Chen.et al;《ICCE-TW》;20190213;全文 * |
"Towards End-to-End ECG Classification";Sean Shensheng Xu.et al;《IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS》;20190731;第23卷(第4期);全文 * |
"心电信号识别分类算法综述";马金伟等;《重庆理工大学学报(自然科学)》;20181231;第32卷(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
NL2025958B1 (en) | 2021-05-04 |
CN111460953A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111460953B (zh) | 一种基于对抗域自适应学习的心电信号分类方法 | |
CN105956582B (zh) | 一种基于三维数据的人脸识别*** | |
CN110837768B (zh) | 一种面向珍稀动物保护的在线检测与识别方法 | |
CN108256456B (zh) | 一种基于多特征阈值融合的手指静脉识别方法 | |
CN106599854B (zh) | 基于多特征融合的人脸表情自动识别方法 | |
CN106022343B (zh) | 一种基于傅里叶描述子和bp神经网络的服装款式识别方法 | |
CN106327507B (zh) | 一种基于背景和前景信息的彩色图像显著性检测方法 | |
CN110532897A (zh) | 零部件图像识别的方法和装置 | |
CN110175649B (zh) | 一种关于重新检测的快速多尺度估计目标跟踪方法 | |
CN111724372A (zh) | 基于对抗神经网络的布匹缺陷检测方法、终端和存储介质 | |
CN109118528A (zh) | 基于区域分块的奇异值分解图像匹配算法 | |
CN110135438B (zh) | 一种基于梯度幅值预运算的改进surf算法 | |
CN105320970B (zh) | 一种马铃薯病害诊断装置、诊断***及诊断方法 | |
CN104199823B (zh) | 一种基于视觉数据驱动的织物疵点动态检测方法 | |
CN110232390B (zh) | 一种变化光照下图像特征提取方法 | |
CN107729926A (zh) | 一种基于高维空间变换的数据扩增方法、机器识别*** | |
CN109003275A (zh) | 焊缝缺陷图像的分割方法 | |
CN111091129A (zh) | 一种基于多重颜色特征流形排序的图像显著区域提取方法 | |
CN112329764A (zh) | 一种基于tv-l1模型的红外弱小目标检测方法 | |
Devi et al. | Analysis of segmentation scheme for diseased rice leaves | |
Milletari et al. | Robust segmentation of various anatomies in 3d ultrasound using hough forests and learned data representations | |
CN113723314A (zh) | 一种基于YOLOv3算法的甘蔗茎节识别方法 | |
CN113378620A (zh) | 监控视频噪声环境下跨摄像头行人重识别方法 | |
CN110443790B (zh) | 一种医学影像中软骨识别方法和识别*** | |
CN108460383B (zh) | 基于神经网络与图像分割的图像显著性精化方法 |
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 |