CN111904411B - 基于多尺度特征提取的多导联心跳信号分类方法及装置 - Google Patents
基于多尺度特征提取的多导联心跳信号分类方法及装置 Download PDFInfo
- Publication number
- CN111904411B CN111904411B CN202010863099.3A CN202010863099A CN111904411B CN 111904411 B CN111904411 B CN 111904411B CN 202010863099 A CN202010863099 A CN 202010863099A CN 111904411 B CN111904411 B CN 111904411B
- Authority
- CN
- China
- Prior art keywords
- feature
- feature map
- heartbeat
- lead
- input
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Psychiatry (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- General Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了基于多尺度特征提取的多导联心跳信号分类的方法及装置,首先对多导联心跳信号进行预处理,得到心跳信号堆叠矩阵,然后将心跳信号堆叠矩阵输入至构建并训练完成的浅层特征提取模块,得到心跳信号的浅层特征图,将上一步得到的浅层特征图输入至构建并训练完成的多尺度深层特征提取模块,得到三种不同尺度的深层特征向量,最后将三种不同尺度的深层特征向量进行融合,得到特征融合向量,并基于此对多导联心跳信号进行分类。本发明先提取浅层特征,在提取深层特征,可使深层特征质量更加优秀,进而提升最终分类的性能。
Description
技术领域
本发明属于医疗图像处理领域,尤其涉及了一种基于多尺度特征提取的多导联心跳信号分类方法及装置。
背景技术
心电图(ECG)作为一项简单、快速、非侵入式的检查方式,被广泛作为心血管疾病的初步检查手段。标准的心电图一般由12条导联组成,每条导联以电信号的方式记录着心脏不同方向上的跳动情况,从而能综合反映心脏的健康状况。而每条导联又由若干个心跳波形构成,根据心脏跳动的规律,一个标准的心跳波形主要由P波段、QRS波群、T波段组成。这些波段以固定的顺序出现,记录着心脏的健康状况。异常波形的出现往往表明心脏产生病变,例如心肌梗死可能产生ST段压低、ST段抬高、T波倒置等异常波形,所以心跳波形对于分析心电图具有重要意义。然而,逐一分析心电图中的心跳波形是一项十分耗时,耗精力的任务,且对于医生的经验要求较高,有存在误诊的可能性。所以需要自动化的分析检测***以辅助医生分析心电信号,从而做出更主观、更准确的判断。
公开号为CN109063552A的中国专利申请,公开了一种多导联心电信号分类和***,该***通过多支路卷积残差神经网络处理多导联心电信号以提取特征,对提取的特征进行融合,最后基于Softmax函数对融合后的特征进行分类。但方法针对整条心电信号提取特征,而单个心电信号包含众多心跳信号,故较难提取出能够区分不同类型的有效特征,从而导致分类性能较为一般。
现有技术普遍存在提取的特征不够全面,分类准确度、精确度较差、效率较等问题。
发明内容
本申请的目的是提供一种基于多尺度特征提取的多导联心跳信号分类方法及装置,用以避免现有技术所存在的提取的特征不够全面,分类准确度、精确度较差、效率较等问题。
为了实现上述目的,本申请技术方案如下:
一种基于多尺度特征提取的多导联心跳信号分类的方法,包括:
获取多导联心跳信号,将每条导联信通过基线校准、振幅归一化、心跳分离操作,将属于同一时刻、来自多条导联的心跳信号按照I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6导联顺序进行纵向堆叠,得到心跳信号堆叠矩阵;
将心跳信号堆叠矩阵输入至构建并训练完成的浅层特征提取模块,得到心跳信号的浅层特征图;
将上一步得到的浅层特征图输入至构建并训练完成的多尺度深层特征提取模块,得到三种不同尺度的深层特征向量Fα、Fβ和Fγ;
将特征向量Fα、Fβ和Fγ进行融合,得到特征融合向量Ffusion,并基于此对多导联心跳信号进行分类。
进一步的,所述获取多导联心跳信号,将每条导联信通过基线校准、振幅归一化、心跳分离操作,将属于同一时刻、来自多条导联的心跳信号按照I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6导联顺序进行纵向堆叠,得到心跳信号堆叠矩阵,包括:
步骤1.4、将属于同一时刻、来自多条导联的心跳信号按照I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6导联顺序进行纵向堆叠,得到心跳信号堆叠矩阵Ml×n,l为导联数量,n为单个心跳的长度。
进一步的,所述将心跳信号堆叠矩阵输入至构建并训练完成的浅层特征提取模块,得到心跳信号的浅层特征图,包括:
步骤2.1、将心跳信号堆叠矩阵Ml×n输入至卷积核大小为l×3的一维卷积块C1,l为导联心跳信号数量,n为单个心跳的长度,得到输出特征图Ft,其维度为heightt×widtht;
步骤2.2、将特征图Ft输入至卷积核大小为heightt×3的一维卷积块C2,得到输出的浅层特征图Fshallow,其维度为heightt×widtht。
进一步的,所述将上一步得到的浅层特征图输入至构建并训练完成的多尺度深层特征提取模块,得到三种不同尺度的深层特征向量Fα、Fβ和Fγ,包括:
进一步的,所述一维卷积块C1和一维卷积块C2均分别包括卷积层、批量归一化层、激活层和最大池化层,所述卷积层的卷积核大小为heightinput×widthinput,heightinput为输入矩阵的行数,widthinput可以设置为3、5或7。
进一步的,所述一维残差卷积块RC3_1、RC3_2、RC3_3、RC5_1、RC5_2、RC5_3、RC7_1、RC7_2、RC7_3均分别包括两个一维卷积层、两个批量归一化层、两个激活层和一个最大池化层,将输入的特征图F依次通过一维卷积层、批量归一化层、激活层、一维卷积层、批量归一化层的计算,得到特征图F’,然后将输入特征图F与特征图F’进行点对点相加后再依次输入激活层和最大池化层,得到输出特征图。
进一步的,所述将特征向量Fα、Fβ和Fγ进行融合,得到特征融合向量Ffusion,并基于此对心跳信号进行分类,包括:
步骤4.1、将多尺度深层特征向量Fα、Fβ和Fγ进行纵向拼接融合,得到特征融合向量Ffusion,其维度为heightfusion×1,其中heightfusion=heightα+heightβ+heightγ;
步骤4.2、将特征融合向量Ffusion输入至全连接层FC,得到分类结果向量Foutput,其维度为k×1,其中k为类别数量;
步骤4.3、将分类结果向量Foutput按照如下公式进行softmax激活,得到多导联心跳信号的分类概率向量P=(p1,…,pk),取概率最高的对应类别作为该多导联心跳信号的分类结果:
其中,pw表示分类概率向量P中第w个值,vw表示分类结果向量Foutput中第w个值,k表示类别数量。
进一步的,所述全连接层FC包括两层全连接的神经元,第一层神经元的数量为heightfusion,第二层神经元的数量为k,k为类别数量。
本申请还提出了一种基于多尺度特征提取的多导联心跳信号分类的装置,包括处理器以及存储有若干计算机指令的存储器,所述计算机指令被处理器执行时实现上述方法的步骤。
本申请提出的一种基于多尺度特征提取的多导联心跳信号分类的方法及装置,首先对多导联心跳信号进行预处理,得到心跳信号堆叠矩阵,然后将心跳信号堆叠矩阵输入至构建并训练完成的浅层特征提取模块,得到心跳信号的浅层特征图,将上一步得到的浅层特征图输入至构建并训练完成的多尺度深层特征提取模块,得到三种不同尺度的深层特征向量,最后将三种不同尺度的深层特征向量进行融合,得到特征融合向量,并基于此对多导联心跳信号进行分类。本申请先获取浅层特征,再获取深层特征,通过两个一维卷积块C1、C2的计算,将原始数据特征映射到更高维度的特征空间上,即浅层特征;然后基于浅层特征再进行特征提取得到深层特征,可使深层特征质量更加优秀,进而提升最终分类的性能。本申请对预处理得到的心跳信号堆叠矩阵进行特征提取,分类准确度、精确度高,效率快。
附图说明
图1是本申请基于多尺度特征提取的多导联心跳信号分类的方法流程图;
图2是本申请一维卷积块结构示意图;
图3是本申请一维残差卷积块结构示意图;
图4是本申请的全连接层FC结构示意图;
图5是本申请实施例分类方法流程示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本申请提供的一种基于多尺度特征提取的多导联心跳信号分类的方法,如图1所示,包括:
获取多导联心跳信号,将每条导联信通过基线校准、振幅归一化、心跳分离操作,将属于同一时刻、来自多条导联的心跳信号按照I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6导联顺序进行纵向堆叠,得到心跳信号堆叠矩阵;
将心跳信号堆叠矩阵输入至构建并训练完成的浅层特征提取模块,得到心跳信号的浅层特征图;
将上一步得到的浅层特征图输入至构建并训练完成的多尺度深层特征提取模块,得到三种不同尺度的深层特征向量Fα、Fβ和Fγ;
将特征向量Fα、Fβ和Fγ进行融合,得到特征融合向量Ffusion,并基于此对多导联心跳信号进行分类。
本申请以标准的心电图为例进行说明,标准的心电图一般由12条导联心跳信号组成,导联心跳信号也简称为导联,每条导联心跳信号以电信号的方式记录着心脏不同方向上的跳动情况,从而能综合反映心脏的健康状况。而每条导联心跳信号又由若干个心跳波形构成,根据心脏跳动的规律,一个标准的心跳波形主要由P波段、QRS波群、T波段组成。
在做心电图检查时,心电图仪器输出检测到的多导联心跳信号,本申请将心电图仪器输出的多导联心跳信号也称为原始信号。对原始信号进行预处理,获得心跳信号堆叠矩阵,以进行后续的特征提取和分类。
本申请获取多导联心跳信号,将每条导联信通过基线校准、振幅归一化、心跳分离操作,将属于同一时刻、来自多条导联的心跳信号按照I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6导联顺序进行纵向堆叠,得到心跳信号堆叠矩阵,具体包括:
步骤1.4、将属于同一时刻、来自多条导联的心跳信号按照I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6导联顺序进行纵向堆叠,得到心跳信号堆叠矩阵Ml×n,l为导联数量,n为单个心跳的长度。
需要说明的是,本申请滤波器窗口大小WS根据实际滤波效果进行选择,在实际的应用中设置为70时滤波效果最佳。在将各导联心跳信号分割为若干个心跳信号时,利用Pan-Tompkins算法进行R点的检测,然后以R点为基准,左右各取0.3秒间隔作为单个心跳的长度。本实施例中,以R点为基准,左右各取0.3秒间隔作为单个心跳的长度,在保证单个心跳波形完整的同时,不引入相邻心跳的波形,仅为一个具体的实施例,在实际的使用中,可以根据心跳的快慢进行适当的调整。
本申请所述将心跳信号堆叠矩阵输入至构建并训练完成的浅层特征提取模块,得到心跳信号的浅层特征图,包括:
步骤2.1、将心跳信号堆叠矩阵Ml×n输入至卷积核大小为l×3的一维卷积块C1,l为导联心跳信号数量,n为单个心跳的长度,得到输出特征图Ft,其维度为heightt×widtht;
步骤2.2、将特征图Ft输入至卷积核大小为heightt×3的一维卷积块C2,得到输出的浅层特征图Fshallow,其维度为heightt×widtht。
需要说明的是,本申请一维卷积块C1、一维卷积块C2的具体结构如图2所示,包括一个卷积核大小为heightinput×widthinput的卷积层、批量归一化层(也称为批量标准化层)、激活层和最大池化层。首先通过一维卷积层对输入的特征图进行计算,然后进行批量归一化和ReLU激活层处理,最后经过最大池化层输出处理后的特征图。
其中,卷积核大小为heightinput×widthinput的卷积层,heightinput为输入矩阵的行数,widthinput可以设置为3、5或7,上述实施例中widthinput选择了3。
本申请所述将上一步得到的浅层特征图输入至构建并训练完成的多尺度深层特征提取模块,得到三种不同尺度的深层特征向量Fα、Fβ和Fγ,包括:
其中,一维残差卷积块(RC3_1、RC3_2、RC3_3、RC5_1、RC5_2、RC5_3、RC7_1、RC7_2、RC7_3)的结构如图3所示,包括两个一维卷积层、两个批量归一化层、两个激活层和一个最大池化层。首先将输入的特征图F依次通过一维卷积层、批量归一化层、激活层、一维卷积层、批量归一化层的计算,得到特征图F’,然后将输入特征图F与特征图F’进行点对点相加后再依次输入激活层和最大池化层,得到输出特征图。
本申请所述将特征向量Fα、Fβ和Fγ进行融合,得到特征融合向量Ffusion,并基于此对心跳信号进行分类,包括:
步骤4.1、将多尺度深层特征向量Fα、Fβ和Fγ进行纵向拼接融合,得到特征融合向量Ffusion,其维度为heightfusion×1,其中heightfusion=heightα+heightβ+heightγ;
步骤4.2、将特征融合向量Ffusion输入至全连接层FC,得到分类结果向量Foutput,其维度为k×1,其中k为类别数量;
步骤4.3、将分类结果向量Foutput按照如下公式进行softmax激活,得到多导联心跳信号的分类概率向量P=(p1,…,pk),取概率最高的对应类别作为该多导联心跳信号的分类结果:
其中,pw表示分类概率向量P中第w个值,vw表示分类结果向量Foutput中第w个值,k表示类别数量。
本申请所述全连接层FC如图4所示,包括两层全连接的神经元,第一层神经元的数量为heightfusion,第二层神经元的数量为k,k为类别数量。
以下通过一个具体的实施例,如图5所示,输入的多导联心跳信号为12导联心跳信号,经过预处理后进行浅层特征提取。
其中预处理,执行以下步骤:
公式1中,x和xp分别表示原始信号值和归一化后的信号值,min和max分别表示原始信号中的最小、最大值,newmin和newmax分别表示归一化后信号中的最小、最大值,在本步骤中,newmin和newmx分别为0和1。
步骤1.3、将每条导联心跳信号分割为若干个心跳信号,利用Pan-Tompkins算法进行R点的检测,然后以R点为基准,左右各取0.3秒间隔作为单个心跳的长度,得到长度为160个采样点的心跳信号BSi,i表示该心跳属于i导联;
步骤1.4,将属于同一时刻、来自多条导联的心跳信号按照I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6导联顺序进行纵向堆叠,得到心跳信号堆叠矩阵Ml×n,l为12,n为160。
本实施例,获取心跳信号的浅层特征图,包括:
步骤2.1、将心跳信号堆叠矩阵Ml×n输入至卷积核大小为12×3的一维卷积块C1,得到输出特征图Ft,其维度为32×160;
步骤2.2、将特征图Ft输入至卷积核大小为32×3的一维卷积块C2,得到输出的浅层特征图Fshallow,其维度为64×160。
本实施例,获取多尺度深层特征向量,包括:
本实施例,进行特征融合得到分类结果步骤包括:
步骤4.1、将多尺度深层特征向量Fα、Fβ和Fγ进行纵向拼接融合,得到特征融合向量Ffusion,其维度为768×1;
步骤4.2、将特征融合向量Ffusion输入至全连接层FC,得到分类结果向量Foutput,其维度为4×1,其中4为类别数量;
步骤4.3、将分类结果向量Foutput按照如下公式进行softmax激活,得到多导联心跳信号的分类概率向量P=(p1,…,pk),取概率最高的对应类别作为该多导联心跳信号的分类结果:
其中,pw表示分类概率向量P中第w个值,vw表示分类结果向量Foutput中第w个值,k表示类别数量。
在一个实施例中,本申请还提供了一种基于多尺度特征提取的多导联心跳信号分类的装置,包括处理器以及存储有若干计算机指令的存储器,所述计算机指令被处理器执行时实现所述基于多尺度特征提取的多导联心跳信号分类的方法的步骤。
关于基于多尺度特征提取的多导联心跳信号分类的装置的具体限定可以参见上文中对于基于多尺度特征提取的多导联心跳信号分类的方法的限定,在此不再赘述。
存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件互相之间可以通过一条或多条通讯总线或信号线实现电性连接。存储器中存储有可在处理器上运行的计算机程序,所述处理器通过运行存储在存储器内的计算机程序,从而实现本发明实施例中的网络拓扑布局方法。
其中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器用于存储程序,所述处理器在接收到执行指令后,执行所述程序。
所述处理器可能是一种集成电路芯片,具有数据的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等。可以实现或者执行本发明实施例中公开的各方法、步骤及逻辑框图。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。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种基于多尺度特征提取的多导联心跳信号分类的方法,其特征在于,所述基于多尺度特征提取的多导联心跳信号分类的方法,包括:
获取多导联心跳信号,将每条导联信通过基线校准、振幅归一化、心跳分离操作,将属于同一时刻、来自多条导联的心跳信号按照I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6导联顺序进行纵向堆叠,得到心跳信号堆叠矩阵;
将心跳信号堆叠矩阵输入至构建并训练完成的浅层特征提取模块,得到心跳信号的浅层特征图;
将上一步得到的浅层特征图输入至构建并训练完成的多尺度深层特征提取模块,得到三种不同尺度的深层特征向量Fα、Fβ和Fγ;
将特征向量Fα、Fβ和Fγ进行融合,得到特征融合向量Ffusion,并基于此对多导联心跳信号进行分类;
其中,所述获取多导联心跳信号,将每条导联信通过基线校准、振幅归一化、心跳分离操作,将属于同一时刻、来自多条导联的心跳信号按照I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6导联顺序进行纵向堆叠,得到心跳信号堆叠矩阵,包括:
步骤1.4、将属于同一时刻、来自多条导联的心跳信号按照I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6导联顺序进行纵向堆叠,得到心跳信号堆叠矩阵Ml×n,l为导联数量,n为单个心跳的长度;
所述将心跳信号堆叠矩阵输入至构建并训练完成的浅层特征提取模块,得到心跳信号的浅层特征图,包括:
步骤2.1、将心跳信号堆叠矩阵Ml×n输入至卷积核大小为l×3的一维卷积块C1,l为导联心跳信号数量,n为单个心跳的长度,得到输出特征图Ft,其维度为heightt×widtht;
步骤2.2、将特征图Ft输入至卷积核大小为heightt×3的一维卷积块C2,得到输出的浅层特征图Fshallow,其维度为heightt×widtht;
所述将上一步得到的浅层特征图输入至构建并训练完成的多尺度深层特征提取模块,得到三种不同尺度的深层特征向量Fα、Fβ和Fγ,包括:
2.根据权利要求1所述的基于多尺度特征提取的多导联心跳信号分类的方法,其特征在于,所述一维卷积块C1和一维卷积块C2均分别包括卷积层、批量归一化层、激活层和最大池化层,所述卷积层的卷积核大小为heightinput×widthinput,heightinput为输入矩阵的行数,widthinput可以设置为3、5或7。
3.根据权利要求1所述的基于多尺度特征提取的多导联心跳信号分类的方法,其特征在于,所述一维残差卷积块RC3_1、RC3_2、RC3_3、RC5_1、RC5_2、RC5_3、RC7_1、RC7_2、RC7_3均分别包括两个一维卷积层、两个批量归一化层、两个激活层和一个最大池化层,将输入的特征图F依次通过一维卷积层、批量归一化层、激活层、一维卷积层、批量归一化层的计算,得到特征图F’,然后将输入特征图F与特征图F’进行点对点相加后再依次输入激活层和最大池化层,得到输出特征图。
4.根据权利要求1所述的基于多尺度特征提取的多导联心跳信号分类的方法,其特征在于,所述将特征向量Fα、Fβ和Fγ进行融合,得到特征融合向量Ffusion,并基于此对心跳信号进行分类,包括:
步骤4.1、将多尺度深层特征向量Fα、Fβ和Fγ进行纵向拼接融合,得到特征融合向量Ffusion,其维度为heightfusion×11,其中heightfusion=heightα+heightβ+heightγ;
步骤4.2、将特征融合向量Ffusion输入至全连接层FC,得到分类结果向量Foutput,其维度为k×1,其中k为类别数量;
步骤4.3、将分类结果向量Foutput按照如下公式进行softmax激活,得到多导联心跳信号的分类概率向量P=(p1,…,pk),取概率最高的对应类别作为该多导联心跳信号的分类结果:
其中,pw表示分类概率向量P中第w个值,vw表示分类结果向量Foutput中第w个值,k表示类别数量。
5.根据权利要求4所述的基于多尺度特征提取的多导联心跳信号分类的方法,其特征在于,所述全连接层FC包括两层全连接的神经元,第一层神经元的数量为heightfusion,第二层神经元的数量为k,k为类别数量。
6.一种基于多尺度特征提取的多导联心跳信号分类的装置,包括处理器以及存储有若干计算机指令的存储器,其特征在于,所述计算机指令被处理器执行时实现权利要求1至权利要求5中任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010863099.3A CN111904411B (zh) | 2020-08-25 | 2020-08-25 | 基于多尺度特征提取的多导联心跳信号分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010863099.3A CN111904411B (zh) | 2020-08-25 | 2020-08-25 | 基于多尺度特征提取的多导联心跳信号分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111904411A CN111904411A (zh) | 2020-11-10 |
CN111904411B true CN111904411B (zh) | 2022-09-23 |
Family
ID=73279539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010863099.3A Active CN111904411B (zh) | 2020-08-25 | 2020-08-25 | 基于多尺度特征提取的多导联心跳信号分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111904411B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112806977B (zh) * | 2021-02-05 | 2022-03-18 | 复旦大学 | 基于多尺度融合网络的生理参数测量方法 |
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 |
CN113095302B (zh) * | 2021-05-21 | 2023-06-23 | 中国人民解放军总医院 | 用于心律失常分类的深度模型、利用该模型的方法及装置 |
CN114611396B (zh) * | 2022-03-15 | 2023-03-24 | 国网安徽省电力有限公司蚌埠供电公司 | 一种基于大数据分析线损的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109214250A (zh) * | 2017-07-05 | 2019-01-15 | 中南大学 | 一种基于多尺度卷积神经网络的静态手势识别方法 |
CN110236520A (zh) * | 2019-05-20 | 2019-09-17 | 上海数创医疗科技有限公司 | 基于双卷积神经网络的心电图类型识别方法和装置 |
CN110495877A (zh) * | 2019-08-21 | 2019-11-26 | 中国科学院深圳先进技术研究院 | 一种基于ecg的多尺度特征提取方法及装置 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8214028B2 (en) * | 2010-02-03 | 2012-07-03 | National Instruments Corporation | Electrocardiogram analysis and parameter estimation |
CN104523266B (zh) * | 2015-01-07 | 2017-04-05 | 河北大学 | 一种心电信号自动分类方法 |
WO2018052586A1 (en) * | 2016-09-14 | 2018-03-22 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for multi-scale cell image segmentation using multiple parallel convolutional neural networks |
US20190090774A1 (en) * | 2017-09-27 | 2019-03-28 | Regents Of The University Of Minnesota | System and method for localization of origins of cardiac arrhythmia using electrocardiography and neural networks |
CN107944493A (zh) * | 2017-11-30 | 2018-04-20 | 天津大学 | 一种基于卷积神经网络的第一导联心电图心拍分类方法 |
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 |
CN110693493B (zh) * | 2019-10-12 | 2022-05-31 | 北京工业大学 | 一种基于卷积与循环神经网络结合时间多尺度的癫痫脑电预测特征提取方法 |
CN110619322A (zh) * | 2019-10-18 | 2019-12-27 | 武汉大学 | 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*** |
CN111242098B (zh) * | 2020-02-27 | 2022-04-22 | 西安交通大学 | 一种结合特征提取和inception网络的心电数据分类方法及*** |
-
2020
- 2020-08-25 CN CN202010863099.3A patent/CN111904411B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214250A (zh) * | 2017-07-05 | 2019-01-15 | 中南大学 | 一种基于多尺度卷积神经网络的静态手势识别方法 |
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 |
CN110236520A (zh) * | 2019-05-20 | 2019-09-17 | 上海数创医疗科技有限公司 | 基于双卷积神经网络的心电图类型识别方法和装置 |
CN110495877A (zh) * | 2019-08-21 | 2019-11-26 | 中国科学院深圳先进技术研究院 | 一种基于ecg的多尺度特征提取方法及装置 |
Non-Patent Citations (3)
Title |
---|
A 12-Lead ECG Arrhythmia Classification Method Based on 1D Densely Connected CNN;Chunli Wang 等;《Springer Nature Switzerland》;20191012;第72-79页 * |
ECG Authentication Method Based on Parallel Multi-Scale One-Dimensional Residual Network With Center and Margin Loss;Yifu Chu等;《IEEE Access》;20190423;第51598-51606页 * |
Multiscale Energy and Eigenspace Approach to Detection and Localization of Myocardial Infarction;L. N. Sharma;《 IEEE Transactions on Biomedical Engineering》;20150731;第1827-1837页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111904411A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Acharya et al. | Automated detection of arrhythmias using different intervals of tachycardia ECG segments with convolutional neural network | |
CN107516075B (zh) | 心电信号的检测方法、装置及电子设备 | |
CN108596142B (zh) | 一种基于PCANet的心电特征提取方法 | |
CN111956211A (zh) | 单导联心电信号房颤自动检测方法 | |
CN112690802B (zh) | 一种检测心电信号的方法、装置、终端及存储介质 | |
CN112603330B (zh) | 心电信号识别分类方法 | |
CN113180688B (zh) | 基于残差神经网络的冠心病心电图筛查***及方法 | |
CN115666387A (zh) | 基于多导联的心电信号识别方法和心电信号识别装置 | |
CN111666865A (zh) | 多导联心电信号卷积神经网络分类模型及其使用方法 | |
CN114041800B (zh) | 心电信号实时分类方法、装置及可读存储介质 | |
Yang et al. | A novel method for automated congestive heart failure and coronary artery disease recognition using THC-Net | |
CN111345814A (zh) | 一种心电信号中心拍的分析方法、装置、设备和存储介质 | |
CN113647959A (zh) | 一种心电波形信号的波形识别方法、装置及设备 | |
CN117582235A (zh) | 基于cnn-lstm模型的心电信号分类方法 | |
CN113069124A (zh) | 一种基于cnn-et模型的心电监测方法 | |
CN115429284B (zh) | 心电信号分类方法、***、计算机设备以及可读存储介质 | |
Sane et al. | Detection of myocardial infarction from 12 lead ECG images | |
CN109009047B (zh) | 一种心律失常检测方法、装置及设备 | |
CN112989971B (zh) | 一种不同数据源的心电数据融合方法及装置 | |
CN113647954A (zh) | 双通道混合网络模型的心血管疾病识别方法、装置及介质 | |
CN113712525B (zh) | 一种生理参数处理方法、装置及医疗设备 | |
Dias et al. | Artificial intelligence-driven screening system for rapid image-based classification of 12-lead ecg exams: A promising solution for emergency room prioritization | |
CN113052229B (zh) | 一种基于心电数据的心脏病症分类方法及装置 | |
CN114098757B (zh) | 一种基于量子粒子群优化的ecg信号监测方法 |
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 |