CN111666865B - 多导联心电信号卷积神经网络分类方法及其使用方法 - Google Patents
多导联心电信号卷积神经网络分类方法及其使用方法 Download PDFInfo
- Publication number
- CN111666865B CN111666865B CN202010488632.2A CN202010488632A CN111666865B CN 111666865 B CN111666865 B CN 111666865B CN 202010488632 A CN202010488632 A CN 202010488632A CN 111666865 B CN111666865 B CN 111666865B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- length
- layer
- output
- size
- 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
-
- 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
-
- 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
- A61B5/7235—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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Heart & Thoracic Surgery (AREA)
- Computational Linguistics (AREA)
- Psychiatry (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
Description
技术领域
本申请属于心电图处理技术领域,尤其是涉及一种多导联心电信号卷积神经网络分类方法及其使用方法。
背景技术
目前,卷积神经网络应用到导联心电信号的分类中已经有大量的研究。
发明内容
本发明要解决的技术问题是:为解决现有技术中的不足,从而提供一种能够对具有多种分类的心电信号的类别识别更加准确的多导联心电信号卷积神经网络分类方法及其使用方法。
本发明解决其技术问题所采用的技术方案是:
一种基于新型损失函数的多导联心电信号卷积神经网络分类方法,包括:
输入层;
若干串联的特征提取模块,每个特征提取模块包括一层卷积层和一层池化层;
一扁平层;
t个并联的输出模块,每个输出模块包括一层全连接层和一层输出层,t为正整数,等于多导联心电信号分类类型的数量;
心电信号输入到输入层中,经过特征提取模块、扁平层和输出模块的处理,从输出层中输出分类标签,分类标签向量Y为{a1,a2,a3……at},其中a1,a2,a3……at为1或者0;
训练过程中的损失函数为其中/>是训练过程中卷积神经网络分类方法计算出的输出,Y是分类标签向量,/>|Y|分别为/>Y的模,训练时按照多导联心电信号的类型将相应的分类标签向量Y中的相应位置中的数值标定为1。
优选地,本发明的基于新型损失函数的多导联心电信号卷积神经网络分类方法,多导联心电信号的类型包括房颤、房扑、窦性心动过速、房性心动过速、正常、窦性心律不齐、窦性心动过缓、窦性心律、房性早搏、室性早搏、I度I型传导阻滞、II度I型传导阻滞、ST段抬高、ST段压低、STT改变。
优选地,本发明的基于新型损失函数的多导联心电信号卷积神经网络分类方法,训练前还包括对多导联心电信号进行预处理的步骤:将多导联心电信号中每一个导联的数据,先使用参数为5的均值滤波,再采用‘db4’小波和level=8的小波进行滤波,随后将所有导联的数据拼接在一起,形成训练用的心电数据。
优选地,本发明的基于新型损失函数的多导联心电信号卷积神经网络分类方法,
特征提取模块的结构如下:
Layer1中的一维卷积层中共有5个大小均为37的卷积核,输出长度为59964的5个一维向量;
Layer2中的一维最大池化层中核的大小和步长均为2,输出长度为29982的5个一维向量;
Layer3中的一维卷积层中共有5个大小均为31的卷积核,输出长度为29952的5个一维向量;
Layer4中的一维最大池化层中核的大小和步长均为2,输出长度为14976的5个一维向量;
Layer5中的一维卷积层中共有5个大小均为29的卷积核,输出长度为14948的5个一维向量;
Layer6中的一维最大池化层中核的大小和步长均为2,输出长度为7474的5个一维向量;
Layer7中的一维卷积层中共有10个大小均为23的卷积核,输出长度为7452的10个一维向量;
Layer8中的一维最大池化层中核的大小和步长均为2,输出长度为3726的10个一维向量;
Layer9中的一维卷积层中共有10个大小均为15的卷积核,输出长度为3712的10个一维向量;
Layer10中的一维最大池化层中核的大小和步长均为2,输出长度为1856的10个一维向量;
Layer11中的一维卷积层中共有10个大小均为9的卷积核,输出长度为1848的10个一维向量;
Layer12中的一维最大池化层中核的大小和步长均为2,输出长度为924的10个一维向量;
Layer13中的一维卷积层中共有10个大小均为5的卷积核,输出长度为920的10个一维向量;
Layer14中的一维最大池化层中核的大小和步长均为2,输出长度为460的10个一维向量;
Layer15中的一维卷积层中共有10个大小均为1的卷积核,输出长度为460的10个一维向量;
Layer16中的一维最大池化层中核的大小和步长均为2,输出长度为230的10个一维向量;
Layer17中的一维卷积层中共有10个大小均为1的卷积核,输出长度为230的10个一维向量;Layer18中的一维最大池化层中核的大小和步长均为2,输出长度为115的10个一维向量;
扁平层用于输出卷积层和池化层提取的1150个特征。
优选地,本发明的基于新型损失函数的多导联心电信号卷积神经网络分类方法,
训练时输入的心电信号的分类标签中包括分类标签向量Y{a1,a2,a3……at}中具有1个值为1,其余值为0的向量;2个值为1,其余值为0的向量;以及3个值为1,其余值为0的向量;且各类分类标签向量Y的数量相差不大于10%。
优选地,本发明的基于新型损失函数的多导联心电信号卷积神经网络分类方法,
卷积神经网络分类方法的训练算法为:随机梯度下降算法、Adam算法、RMSProp算法、Adagrad算法、Adadelta算法、Adamax算法。
优选地,本发明的基于新型损失函数的多导联心电信号卷积神经网络分类方法,输出层的激励函数为Softmax函数。
本发明还提供一种基于新型损失函数的多导联心电信号卷积神经网络分类方法的使用方法,包括以下步骤:
S1:将采集的未知类型的心电信号处理成与训练时的心电信号相同的频率并进行相同的滤波处理;
S2:将S1步骤得到的心电信号输入到上述的卷积神经网络分类方法中;
S3:导出卷积神经网络分类方法的结果,并依据结果得到心电信号的分类类型。
本发明的有益效果是:
附图说明
下面结合附图和实施例对本申请的技术方案进一步说明。
图1是本申请实施例的基于新型损失函数的导联心电信号分类模型的结构示意图;
图2是基于新型损失函数的导联心电信号分类模型的使用方法步骤图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本申请的技术方案。
实施例1
本实施例提供一种基于新型损失函数的多导联心电信号卷积神经网络分类方法,如图1所示,包括:
输入层;
若干串联的特征提取模块,每个特征提取模块包括一层卷积层和一层池化层;
一扁平层;
t个并联的输出模块,每个输出模块包括一层全连接层和一层输出层,t为正整数,等于多导联心电信号分类类型的数量;
心电信号输入到输入层中,经过特征提取模块、扁平层和输出模块的处理,从输出层中输出分类标签,分类标签向量Y为{a1,a2,a3……at},其中a1,a2,a3……at为1或者0;
分类标签根据房颤,房扑,窦性心动过速,房性心动过速,正常,窦性心律不齐,窦性心动过缓,窦性心律的顺序来进行标定,属于某一类的就在相应位置标记为1;
输出层的激励函数为Softmax函数;
训练过程中的损失函数为其中/>是训练过程中卷积神经网络分类方法计算出的输出,Y是分类标签向量,/>Y分别为/>Y的模。卷积神经网络的训练过程是一个循环过程,将训练的样本输入到卷积神经网络后,会确定特征提取模块、扁平层的参数,训练过程中会重复经过特征提取模块、扁平层和输出模块,直到输出模块稳定,其中损失函数也是根据训练过程中的输出模块的值动态调整,直至训练完成时,损失函数不再变化。
训练算法可以为:随机梯度下降算法、Adam算法、RMSProp算法、Adagrad算法、Adadelta算法、Adamax算法等。
特征提取模块由7个卷积层和池化层的组合构成(一卷积层和一池化层)(Layer1-Layer14),选取ReLU函数作为激活函数。
特征提取模块的结构如下,共有18层:
Layer1中的一维卷积层中共有5个大小均为37的卷积核,输出长度为59964的5个一维向量;
Layer2中的一维最大池化层中核的大小和步长均为2,输出长度为29982的5个一维向量;
Layer3中的一维卷积层中共有5个大小均为31的卷积核,输出长度为29952的5个一维向量;
Layer4中的一维最大池化层中核的大小和步长均为2,输出长度为14976的5个一维向量;
Layer5中的一维卷积层中共有5个大小均为29的卷积核,输出长度为14948的5个一维向量;
Layer6中的一维最大池化层中核的大小和步长均为2,输出长度为7474的5个一维向量;
Layer7中的一维卷积层中共有10个大小均为23的卷积核,输出长度为7452的10个一维向量;
Layer8中的一维最大池化层中核的大小和步长均为2,输出长度为3726的10个一维向量;
Layer9中的一维卷积层中共有10个大小均为15的卷积核,输出长度为3712的10个一维向量;
Layer10中的一维最大池化层中核的大小和步长均为2。输出长度为1856的10个一维向量;
Layer11中的一维卷积层中共有10个大小均为9的卷积核,输出长度为1848的10个一维向量;
Layer12中的一维最大池化层中核的大小和步长均为2,输出长度为924的10个一维向量;
Layer13中的一维卷积层中共有10个大小均为5的卷积核,输出长度为920的10个一维向量;
Layer14中的一维最大池化层中核的大小和步长均为2,输出长度为460的10个一维向量;
Layer15中的一维卷积层中共有10个大小均为1的卷积核,输出长度为460的10个一维向量;
Layer16中的一维最大池化层中核的大小和步长均为2,输出长度为230的10个一维向量;
Layer17中的一维卷积层中共有10个大小均为1的卷积核,输出长度为230的10个一维向量;
Layer18中的一维最大池化层中核的大小和步长均为2,输出长度为115的10个一维向量;
扁平层(flatten)用于输出卷积层和池化层提取的1150个特征;
多导联心电信号的类型包括:房颤、房扑、窦性心动过速、房性心动过速、正常、窦性心律不齐、窦性心动过缓、窦性心律、房性早搏、室性早搏、I度I型传导阻滞、II度I型传导阻滞、ST段抬高、ST段压低、STT改变。
以房颤,房扑,窦性心动过速,房性心动过速,正常,窦性心律不齐,窦式心动过缓,窦性心律这8种类型为例。如果每一条数据出现了相匹配的类型,就在(0,0,0,0,0,0,0,0)中将对应的位置设置为1。比如,多导联心电信号的类型为房颤和窦性心律不齐,则为(1,0,0,0,0,0,1,0)。
对未知的心电信号进行分类时:将采集到的频率是500hz,长度为10s的12导联心电信号输入到多导联心电信号卷积神经网络分类方法中(未知的心电信号需要调整到与训练时的心电信号的频率相同),通过特征提取模块、扁平层和输出模块计算得到长度为8的一个由0,1组成1维向量,房颤,房扑,窦性心动过速,房性心动过速,正常,窦性心律不齐,窦式心动过缓,窦性心律这8种类型顺序对应于这个向量的对应位置,这个向量中的出现1的位置就代表着诊断标签,比如(0,1,1,0,0,0,0,0)就代表着存在房扑和窦性心动过速。
训练时,采用6万条以上的已知标签的12导联的心电信号组成数据集,心电数据长度为10s,采样频率为500hz,标签按照房颤,房扑,窦性心动过速,房性心动过速,正常,窦性心律不齐,窦性心动过缓,窦性心律这8种类型顺序排列,相应的类型中标签向量的相应位置标记1,每种类型的数据都包括了至少15000条。将心电信号及其对应的标签向量对卷积神经网络进行训练。
优选地,训练时输入的心电信号的分类标签中包括分类标签向量Y{a1,a2,a3……at}中具有1个值为1,其余值为0的向量;2个值为1,其余值为0的向量;以及3个值为1,其余值为0的向量;且各类分类标签向量Y的数量相差不大于10%。
比如可以采用下表的分类标签的心电信号进行训练,当然,训练时还可以采用其他分类标签,但是应当尽量保证不同心电信号中对应的分类的数量相近(在下表中,不同位置为1的值的数量相同)
实施例2
本实施例提供一种对基于新型损失函数的多导联心电信号卷积神经网络分类方法的使用方法,包括以下步骤:
S1:将采集的未知类型的心电信号处理成与训练时的心电信号相同的频率并进行相同的滤波处理;
S2:将S1步骤得到的心电信号输入到实施例1的卷积神经网络分类方法中;
S3:导出卷积神经网络分类方法的结果,并依据结构得到心电信号的分类类型。即根据输出的向量中1的位置来确定分类类型。
效果实施例
将1600条被正确分类的心电信号使用实施例1的基于新型损失函数的多导联心电信号卷积神经网络分类方法进行分类,将多导联心电信号卷积神经网络分类方法的分类结果与已知的类型进行比较,计算正确率(正确率为下表中的准确率1)。
其它设置不变时,将损失函数调整为采用平方损失函数,再计算正确率(正确率为下表中的准确率2)。
心电信号的分类标签为:
从上表可以看到,本申请对于标记有多个类别的多导联心电信号的准确率能够提高到90%以上。
以上述依据本申请的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项申请技术思想的范围内,进行多样的变更以及修改。本项申请的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (6)
1.一种基于新型损失函数的多导联心电信号卷积神经网络分类方法,其特征在于,包括:
输入层;
若干串联的特征提取模块,每个特征提取模块包括一层卷积层和一层池化层;
一扁平层;
t个并联的输出模块,每个输出模块包括一层全连接层和一层输出层,t为正整数,等于多导联心电信号分类类型的数量;
心电信号输入到输入层中,经过特征提取模块、扁平层和输出模块的处理,从输出层中输出分类标签,分类标签向量Y为{a1,a2,a3……at},其中a1,a2,a3……at为1或者0;
训练过程中的损失函数为其中/>是训练过程中卷积神经网络分类方法计算出的输出,Y是分类标签向量,/>Y分别为/>Y的模,训练时按照多导联心电信号的类型将相应的分类标签向量Y中的相应位置中的数值标定为1;
多导联心电信号的类型包括房颤、房扑、窦性心动过速、房性心动过速、正常、窦性心律不齐、窦性心动过缓、窦性心律、房性早搏、室性早搏、I度I型传导阻滞、II度I型传导阻滞、ST段抬高、ST段压低、STT改变;
训练前还包括对多导联心电信号进行预处理的步骤:将多导联心电信号中每一个导联的数据,先使用参数为5的均值滤波,再采用‘db4’小波和level=8的小波进行滤波,随后将所有导联的数据拼接在一起,形成训练用的心电数据。
2.根据权利要求1所述的基于新型损失函数的多导联心电信号卷积神经网络分类方法,其特征在于,
特征提取模块包括Layer1-Layer18共18层;
Layer1中的一维卷积层中共有5个大小均为37的卷积核,输出长度为59964的5个一维向量;
Layer2中的一维最大池化层中核的大小和步长均为2,输出长度为29982的5个一维向量;
Layer3中的一维卷积层中共有5个大小均为31的卷积核,输出长度为29952的5个一维向量;
Layer4中的一维最大池化层中核的大小和步长均为2,输出长度为14976的5个一维向量;
Layer5中的一维卷积层中共有5个大小均为29的卷积核,输出长度为14948的5个一维向量;
Layer6中的一维最大池化层中核的大小和步长均为2,输出长度为7474的5个一维向量;
Layer7中的一维卷积层中共有10个大小均为23的卷积核,输出长度为7452的10个一维向量;
Layer8中的一维最大池化层中核的大小和步长均为2,输出长度为3726的10个一维向量;
Layer9中的一维卷积层中共有10个大小均为15的卷积核,输出长度为3712的10个一维向量;
Layer10中的一维最大池化层中核的大小和步长均为2,输出长度为1856的10个一维向量;
Layer11中的一维卷积层中共有10个大小均为9的卷积核,输出长度为1848的10个一维向量;
Layer12中的一维最大池化层中核的大小和步长均为2,输出长度为924的10个一维向量;
Layer13中的一维卷积层中共有10个大小均为5的卷积核,输出长度为920的10个一维向量;
Layer14中的一维最大池化层中核的大小和步长均为2,输出长度为460的10个一维向量;
Layer15中的一维卷积层中共有10个大小均为1的卷积核,输出长度为460的10个一维向量;
Layer16中的一维最大池化层中核的大小和步长均为2,输出长度为230的10个一维向量;
Layer17中的一维卷积层中共有10个大小均为1的卷积核,输出长度为230的10个一维向量;
Layer18中的一维最大池化层中核的大小和步长均为2,输出长度为115的10个一维向量;
扁平层用于输出卷积层和池化层提取的1150个特征。
3.根据权利要求1-2任一项所述的基于新型损失函数的多导联心电信号卷积神经网络分类方法,其特征在于,
训练时输入的心电信号的分类标签中包括分类标签向量Y{a1,a2,a3……at}中具有1个值为1,其余值为0的向量;2个值为1,其余值为0的向量;以及3个值为1,其余值为0的向量;且各类分类标签向量Y的数量相差不大于10%。
4.根据权利要求1-2任一项所述的基于新型损失函数的多导联心电信号卷积神经网络分类方法,其特征在于,
卷积神经网络分类方法的训练算法为:随机梯度下降算法、Adam算法、RMSProp算法、2dagrad算法、Adadelta算法、Adamax算法。
5.根据权利要求1-2任一项所述的基于新型损失函数的多导联心电信号卷积神经网络分类方法,其特征在于,输出层的激励函数为Softmax函数。
6.一种基于新型损失函数的多导联心电信号卷积神经网络分类方法的使用方法,其特征在于,包括以下步骤:
S1:将采集的未知类型的心电信号处理成与训练时的心电信号相同的频率并进行相同的滤波处理;
S2:将S1步骤得到的心电信号输入到权利要求1-5任一项所述的卷积神经网络分类方法中;
S3:导出卷积神经网络分类方法的结果,并依据结果得到心电信号的分类类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010488632.2A CN111666865B (zh) | 2020-06-02 | 2020-06-02 | 多导联心电信号卷积神经网络分类方法及其使用方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010488632.2A CN111666865B (zh) | 2020-06-02 | 2020-06-02 | 多导联心电信号卷积神经网络分类方法及其使用方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111666865A CN111666865A (zh) | 2020-09-15 |
CN111666865B true CN111666865B (zh) | 2023-05-23 |
Family
ID=72385627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010488632.2A Active CN111666865B (zh) | 2020-06-02 | 2020-06-02 | 多导联心电信号卷积神经网络分类方法及其使用方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111666865B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112587147A (zh) * | 2020-11-11 | 2021-04-02 | 上海数创医疗科技有限公司 | 一种基于卷积神经网络的房性早搏目标检测方法 |
CN112674780A (zh) * | 2020-12-23 | 2021-04-20 | 山东省人工智能研究院 | 一种心电图异常信号中的房颤信号自动检测方法 |
CN113616214A (zh) * | 2021-08-11 | 2021-11-09 | 上海数创医疗器械有限公司 | 一种静息十二导联心电信号处理方法及存储介质及处理器 |
CN114469126B (zh) * | 2022-03-09 | 2023-06-23 | 平安科技(深圳)有限公司 | 心电数据的分类处理方法、装置、存储介质及计算机设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017072250A1 (en) * | 2015-10-27 | 2017-05-04 | CardioLogs Technologies | An automatic method to delineate or categorize an electrocardiogram |
WO2017166586A1 (zh) * | 2016-03-30 | 2017-10-05 | 乐视控股(北京)有限公司 | 基于卷积神经网络的图片鉴别方法、***和电子设备 |
CN108968941A (zh) * | 2018-05-25 | 2018-12-11 | 深圳市太空科技南方研究院 | 一种心律失常检测方法、装置及终端 |
CN110037682A (zh) * | 2019-04-01 | 2019-07-23 | 上海数创医疗科技有限公司 | 基于改进卷积神经网络的识别心律类型的方法 |
CN110037684A (zh) * | 2019-04-01 | 2019-07-23 | 上海数创医疗科技有限公司 | 基于改进卷积神经网络的识别心律类型的装置 |
CN110037683A (zh) * | 2019-04-01 | 2019-07-23 | 上海数创医疗科技有限公司 | 用于识别心律类型的改进卷积神经网络及其训练方法 |
CN110522444A (zh) * | 2019-09-03 | 2019-12-03 | 西安邮电大学 | 一种基于Kernel-CNN的心电信号识别分类方法 |
CN110638430A (zh) * | 2019-10-23 | 2020-01-03 | 苏州大学 | 多任务级联神经网络ecg信号心律失常疾病分类模型和方法 |
CN110974211A (zh) * | 2019-12-09 | 2020-04-10 | 上海数创医疗科技有限公司 | 高阶多项式激活函数的st段分类神经网络及其应用 |
-
2020
- 2020-06-02 CN CN202010488632.2A patent/CN111666865B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017072250A1 (en) * | 2015-10-27 | 2017-05-04 | CardioLogs Technologies | An automatic method to delineate or categorize an electrocardiogram |
WO2017166586A1 (zh) * | 2016-03-30 | 2017-10-05 | 乐视控股(北京)有限公司 | 基于卷积神经网络的图片鉴别方法、***和电子设备 |
CN108968941A (zh) * | 2018-05-25 | 2018-12-11 | 深圳市太空科技南方研究院 | 一种心律失常检测方法、装置及终端 |
CN110037682A (zh) * | 2019-04-01 | 2019-07-23 | 上海数创医疗科技有限公司 | 基于改进卷积神经网络的识别心律类型的方法 |
CN110037684A (zh) * | 2019-04-01 | 2019-07-23 | 上海数创医疗科技有限公司 | 基于改进卷积神经网络的识别心律类型的装置 |
CN110037683A (zh) * | 2019-04-01 | 2019-07-23 | 上海数创医疗科技有限公司 | 用于识别心律类型的改进卷积神经网络及其训练方法 |
CN110522444A (zh) * | 2019-09-03 | 2019-12-03 | 西安邮电大学 | 一种基于Kernel-CNN的心电信号识别分类方法 |
CN110638430A (zh) * | 2019-10-23 | 2020-01-03 | 苏州大学 | 多任务级联神经网络ecg信号心律失常疾病分类模型和方法 |
CN110974211A (zh) * | 2019-12-09 | 2020-04-10 | 上海数创医疗科技有限公司 | 高阶多项式激活函数的st段分类神经网络及其应用 |
Non-Patent Citations (2)
Title |
---|
任晓霞 ; .基于Dropout深度卷积神经网络的ST段波形分类算法.传感技术学报.2018,(08),全文. * |
谢胜龙 ; 张为民 ; 鲁玉军 ; 张文欣 ; 朱俊江 ; 任国营 ; .基于一维卷积神经网络的房颤智能诊断方法研究.计量学报.2020,(05),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111666865A (zh) | 2020-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111666865B (zh) | 多导联心电信号卷积神经网络分类方法及其使用方法 | |
KR102451795B1 (ko) | 심전도 신호의 검출 방법 | |
CN108113666B (zh) | 房颤信号的识别方法、装置和设备 | |
CN111275093B (zh) | 一种用于多标签标注心电信号的心搏分类方法和装置 | |
CN111772619B (zh) | 一种基于深度学习的心搏识别方法、终端设备及存储介质 | |
US7174205B2 (en) | Cardiac diagnostic system and method | |
CN110717415B (zh) | 基于特征选取的st段分类卷积神经网络及其使用方法 | |
CN110037682B (zh) | 基于改进卷积神经网络的识别心律类型的方法 | |
EP3735894B1 (en) | Recurrent neural network architecture based classification of atrial fibrillation using single lead ecg | |
CN110037683B (zh) | 用于识别心律类型的改进卷积神经网络及其训练方法 | |
CN106108880B (zh) | 一种心拍自动识别方法及*** | |
CN106446011B (zh) | 数据处理的方法及装置 | |
CN112690802B (zh) | 一种检测心电信号的方法、装置、终端及存储介质 | |
CN111904411B (zh) | 基于多尺度特征提取的多导联心跳信号分类方法及装置 | |
WO2021114704A1 (zh) | 高阶多项式激活函数的st段分类神经网络及其应用 | |
CN110037684A (zh) | 基于改进卷积神经网络的识别心律类型的装置 | |
CN111956214A (zh) | 基于U-net端对端神经网络模型的QRS波自动检测方法 | |
CN108491769A (zh) | 基于rr间期和多特征值的房颤分类方法 | |
CN111657914A (zh) | 基于深度学习的心电图形态的识别方法和装置 | |
CN111449646B (zh) | 一种心电图识别方法、装置、存储介质及电子设备 | |
CN112603324B (zh) | 基于改进损失函数的神经网络的训练方法 | |
CN111513702A (zh) | 心电数据的检测方法及存储介质 | |
CN112568908A (zh) | 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 | |
CN110197143A (zh) | 一种结算台物品识别方法、装置及电子设备 | |
CN112568907A (zh) | 采用多尺度视野深度学习的心电波形定位加分类方法 |
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 |