CN112508110A - 一种基于深度学习的心电信号图的分类方法 - Google Patents
一种基于深度学习的心电信号图的分类方法 Download PDFInfo
- Publication number
- CN112508110A CN112508110A CN202011456444.8A CN202011456444A CN112508110A CN 112508110 A CN112508110 A CN 112508110A CN 202011456444 A CN202011456444 A CN 202011456444A CN 112508110 A CN112508110 A CN 112508110A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network
- electrocardiosignal
- layer
- data
- 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.)
- Pending
Links
Images
Classifications
-
- 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
-
- 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
-
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Pathology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Fuzzy Systems (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于深度学习的心电信号图的分类方法,属于图像识别领域。传统的单卷积神经网络或单循环神经网络在部分类别上存在分类差的问题,且由于心跳强度及心率等个体差异,产生在同一种疾病下的不同表征导致自动分类算法泛化能力较差的问题。一种基于深度学习的心电信号图的分类方法,对采集的心电信号图的图像数据进行预处理;其中预处理包括心电信号图的图像数据的小波去噪和心电信号图的图像数据的数据增强的步骤;设计卷积神经网络,并利用设计的卷积神经网络对心电信号图进行分类。本发明能显著改善心电信号识别分类效果。
Description
技术领域
本发明涉及一种基于深度学习的心电信号图的分类方法。
背景技术
传统的单卷积神经网络或单循环神经网络在部分类别上存在分类差的问题。并且,由于心跳强度及心率等个体差异,产生在同一种疾病下的不同表征导致自动分类算法泛化能力较差的问题。
发明内容
本发明的目的是为了解决传统的单卷积神经网络或单循环神经网络在部分类别上分类差的问题以及决由于心跳强度及心率等个体差异所产生的在同一种疾病下的不同表征导致自动分类算法泛化能力较差的问题,而提出一种基于深度学习的心电信号图的分类方法。
一种基于深度学习的心电信号图的分类方法,所述方法通过以下步骤实现:
步骤一、对采集的心电信号图的图像数据进行预处理;其中预处理包括心电信号图的图像数据的小波去噪和心电信号图的图像数据的数据增强的步骤;
步骤二、设计卷积神经网络;
步骤三、利用设计的卷积神经网络对心电信号图进行分类。
本发明的有益效果为:
传统的单卷积神经网络或单循环神经网络在部分类别上分类差的问题,本发明使用了CNN-BiLSTM(卷积神经网络-双向长短时记忆网络)模型,此方法能够提取出心电图的局部相关特征和长期依赖关系。相比传统的心电分类算法,CNN-BiLSTM模型能够自动提取到心电图的有效特征并准确判断心电图的类别且达到更高的分类性能。
本发明利用深度学习在图像识别领域主流的卷积神经网络,因为其不但关注了全局特征,更是利用了图像识别领域非常重要的局部特征,将局部特征抽取到的算法融入到神经网络中。图像本身的局部数据存在关联性,而这种局部关联的特征是其他算法无法提取到的,利用卷积神经网络全局和局部特征的提取能力并结合循环网络在时间信号上特征建模的能力,将其应用在心电信号的自动识别上,充分提取心电信号的隐藏特征,将其更好的用于心电分类任务中,鉴于以上目的,本发明使用了CNN-BiLSTM(循环神经网络-双向长短时记忆网络)解决了传统的单卷积神经网络或单循环神经网络在部分类别上分类差的问题以及决由于心跳强度及心率等个体差异所产生的在同一种疾病下的不同表征导致自动分类算法泛化能力较差的问题,显著改善心电信号识别分类效果。
经过对比不同神经网络的效果,分析心电信号分类结果,验证了CNN-BiLSTM模型在对心电信号分类的过程中,解决了传统的单卷积神经网络或单循环神经网络在部分类别上分类差的问题。
附图说明
图1为本发明涉及的小波方法降噪前、后ECG信号对比图;
图2为本发明涉及的单卷积神经网络模型结构图;
图3为本发明涉及的双向循环网络模型结构图;
图4为本发明明涉及的组合模型网络结构图;
图5为本发明方法的流程图。
具体实施方式
具体实施方式一:
本实施方式的一种基于深度学习的心电信号图的分类方法,如图5所示,所述方法通过以下步骤实现:
步骤一、对采集的心电信号图的图像数据进行预处理;其中预处理包括心电信号图的图像数据的小波去噪和心电信号图的图像数据的数据增强的步骤;
步骤二、设计卷积神经网络;
步骤三、利用设计的卷积神经网络对心电信号图进行分类。
具体实施方式二:
与具体实施方式一不同的是,本实施方式的一种基于深度学习的心电信号图的分类方法,所述的步骤一中,心电信号图的图像数据的小波去噪过程具体为:
采取小波方法降噪,对小波系数分析,将绝对值较小的系数置0,保留或收缩绝对值较大的系数,之后对处理后的小波系数进行重构得到消噪信号。由图1可知,小波变换法比较好地消除了噪声,同时保留了有用信号。
具体实施方式三:
与具体实施方式二不同的是,本实施方式的一种基于深度学习的心电信号图的分类方法,所述的步骤一中,心电信号图的图像数据的数据增强的步骤具体为:
由于本发明所采用的MIT-BIH心律不齐数据集本身所含的样本数据量不是足够大,为了保证所有的样本数据能够被充分利用,采用数据均衡方法不是对大数据量样本欠采样,而是对小数据量样本采用过采样操作,首先将小数据量类型的样本心拍频率展开到60-120bpm之间的任意频率,然后利用二阶插值算法按照随机展开的频率对原始心电数据进行采样,具体计算过程如下:
其中,Li所表示原始心电数据的长度,Hmean表示所有输入心电数据的平均脉搏频率,式(1)通过随机函数设定不同频率下的心拍长度,然后按照式(2)对原始的数据利用阶插值算法进行曲线拟合,最后如式(3)按照随机设定的频率对拟合的心电曲线进行采样选取,得到了一系列随机频率的新的数据。式(1)至式(3)的处理方法,好处是一方面增加小数据量样本在整体训练集中的占比;另一方面将心拍按照不同的频率随机进行展开可增加单类型在不同人中表现的多样性,防止在预测过程中因测试个体心率上的差异导致识别不准的问题,使模型能够学习到更多关于小数据量样本的心拍特征。
具体实施方式四:
与具体实施方式三不同的是,本实施方式的一种基于深度学习的心电信号图的分类方法,所述的步骤二涉及的设计的卷积神经网络的步骤中,
步骤二一、从目前在心电领域的研究进展来看,采用单一的深度学习模型的方法可以在不使用特征提取方法或患者采集设备特定信息的情况下获得更好的心电图分类性能,为了充分评估出卷积神经网络在MIT-BIH数据集上特征提取和心电信号分类的性能,首先设计的卷积神经网络是三层卷积神经网络,对MIT-BIH单导联的心律不齐数据进行多分类,所述的三层卷积神经网络的模型采用3层一维卷积层、3层一维池化层、1层全连接层和softmax输出层的网络结构,单卷积神经网络模型结构图模型结构如图2所示;
其输入是一个长度为N的一维特征向量X=[x1,x2,x3,...,xN],第一层的卷积层是由K个卷积核构成,每一个卷积核的尺寸为1*S,卷积核的系数为Wk∈Rs,k=1,2,...K。则卷积层的输出为h=[h1,h2,h3,...,hk]∈R(N-S+1)K,其中
hk=Relu(wk*x+bk) (4)
在式(4)中,函数Relu表示非线性激活函数,bk表示卷积核对应的偏置;一般来说,在卷积层的结构中,每一层的隐藏神经元数目是比输入的特征向量维数大很多,在卷积计算之后,图像仍未明显的变小,特征颗粒较为分散,因此在卷积层的后面加上一层池化层,使数据保持平移不变性并且对数据进行降维,其实它的基本原理就类似于一个窗口函数,对窗口内的数据进行平均化或最大化。深层卷积神经网络在多个卷积池化层一般会连接一个或多个全连接层、一个Softmax输出层构成;设网络共L层,其中LM层为全连接层,第LL层为最后的输出层,输出的单元数为最后的分类类别数N,则整个计算的过程如下所示:
hl=f(wlhl-1+bl)LM≤l<L (5)
aL=wlhl-1+bL (6)
其中,hl是第l层的输出,wl和bl是网络要学习的参数,aL为最后输出层的未激活之前的值,P(t|x)为卷积神经网络通过输入x判断其属于类别t的后验概率;对应的标签T=[1,2,...,N],每一个输出标签对应着输入心电节拍所属类别,对于训练集中所有样本,以交叉熵作为目标函数进行优化;
卷积神经网络的结构层设计如表1所示:
表1单卷积神经网络心电信号分类模型结构参数
利用训练数据计算每一次迭代的损失函数,并通过反向传播算法进行网络参数的更新,不断地对该目标函数进行优化,通过单一的卷积神经网络对一维心电信号完成特征自动提取和分类任务。卷积神经网络的特征检测层通过训练数据进行学习,避免了显示的特征提取,完全隐式地从训练数据中进行学习,再者由于卷积网络的局部权值共享特性和在图像处理方面的独特优势,降低网络的复杂性,使得模型有更强的泛化能力。将输入的心电信号通过卷积网络进行低层的边缘特征和深层次的抽象特征提取并将所有特征送入到最后的概率输出层进行类别判断,输出该样本属于五大类中每一类的概率值。
所述的卷积神经网络,是双向长短时记忆神经网络(Bi-directional LongShort-Term Memory,BiLSTM),是对传统LSTM网络的一种升级,这种结构与传统的LSTM神经网络结构不同,该网络的每一时刻的输入均来自于前后两个方向的隐含层传递的信息,再将前后隐含层的输出进行结合得到每一时刻的最终输出;
步骤二二、鉴于双向长短期记忆网络在提取每一时间节点的信息较单向长短期记忆网络更为充分,本发明采用双向长短时记忆神经网络BiLSTM对心电信号进行建模分析,其网络结构如图3所示:
双向循环网络在进行前向计算时,就是一个传统的单向LSTM网络,前向推算时需要关联当前时刻之前的输入数据,网络前向计算式为:
反向计算时,关联的是当前时刻未来要输入的数据,网络反向计算式为:
其中,权重矩阵为W,偏置向量为b,ht的两种代表正向与反向BiLSTM的输出;前后两个方向的LSTM网络维持各自的网络状态信息,相互之间不会有连接,网络的展开图非循环结构;在同一时刻叠加前后不同方向的网络状态信息再进行输出层的计算,其网络整体的计算式为:
利用循环神经网络BiLSTM对心电信号进行时序分析,将心电信号前后的信息结合,充分提取心电信号在时间维度上的隐藏特征,对临床的心电数据分析提供了一种新的有效方法;
步骤二三、由卷积神经网络(CNN)和双向长短时记忆网络(BiLSTM)并行构成卷积神经网络-双向长短时记忆网络(CNN-BiLSTM),组合模型网络结构图如图4所示,其中,卷积网络部分采用单卷积神经网络,每一层的参数设置仍按照之前网络的结构进行设置;循环神经网络结构采用双向长短时记忆网络(BiLSTM)的网络结构,并且由于单节拍的心电信号长度较长,导致循环神经网络在训练时较慢,因此通过单层卷积和单层池化结构对输入的心电信号进行长度缩放,并且得到代表每一时间节点的特征向量,以便于循环网络的输入和训练。在并行网络的输出连接特征融合层,将卷积神经网络(CNN)和双向长短时记忆网络(BiLSTM)所提取的空间和时序特征融合,最后将融合的特征送入到输出层,输出该样本属于每一类别的概率值。
具体实施方式五:
与具体实施方式四不同的是,本实施方式的一种基于深度学习的心电信号图的分类方法,步骤二涉及的利用设计的卷积神经网络对心电信号图进行分类的步骤,具体为:
由卷积神经网络(CNN)和双向长短时记忆网络(BiLSTM)并行构成卷积神经网络-双向长短时记忆网络(CNN-BiLSTM),改进后的基于融合特征的网络,卷积神经网络-双向长短时记忆网络的计算方法如以下式所示,设输入是一个长度为N的一维特征向量X=[x1,x2,x3,…,xN],本发明采用MIT-BIH心律不齐数据库的心电数据,经过前期的数据预处理,均截取为长度250的心电信号,将该心电信号分别送入到CNN网络和BiLSTM网络中,则有:
其中,为组合神经网络中卷积神经网络输出的隐藏状态信息,经过一次线性变换,得到的为该网络从输入的心电数据中提取到针对不同类别的一组心电特征;是由一组循环神经网络BiLSTM心电信号所有时间节点的输出拼接而成,为心电信号在时间维度上的隐藏特征,该组特征可较大程度反应出心电信号在时间维度上产生的异常变化;在特征融合层将卷积提取的心电数据形态特征和循环神经网络提取的时序特征进行拼接,得到兼具时序和空间的融合特征,最后经过一次线性变换将前边经过多次卷积和循环高度抽象的融合特征进行整合,目的就像PCA(主成分分析)方法一样,它通过训练数据学习权重来调整第一类特征和第二类特征的相对比例,得到高度提纯的特征,然后送入到输出层进行每一类别的概率计算。
具体实施方式六:
与具体实施方式五不同的是,本实施方式的一种基于深度学习的心电信号图的分类方法,所述的第一类特征可表示“不好”特征;所述的第二类特征可表示“不好”特征,用于方便本发明方法使用过程中进行分类标识。
仿真实验:
为了验证CNN-BiLSTM(卷积神经网络-双向长短时记忆网络)对心电信号的分类能力,实验采用MIT-BIH数据库在Windows10环境下的python3.7.6平台上基于Tensorflow对网络进行训练。
实验结果与分析
本次实验采用MIT BIH心电信号数据,经过前期预处理,共有103129个心搏数据,将顺序随机打乱,并按照4:1的比例划分为训练集和测试集,训练集心搏个数为82500个,测试集心搏个数为20629个,分别保存以便后期训练和测试使用,网络模型的心电数据输入格式为[82500,250]的数组矩阵,对应的心电标签为[1,82500]的数组矩阵。模型在训练集上训练好之后,用测试集进行测试,并输出混淆矩阵,观察模型在每一类别上的灵敏度和特异性,具体结果如表2所示。
表2传统神经网络和CNN-BiLSTM网络模型分类结果对比
由表2可知,CNN-BiLSTM(卷积神经网络-双向长短时记忆网络)在五个类别N(正常或者束支传导阻滞)、V(心室异常节拍)、Q(未分类节拍)、S(室上性异常节拍)、F(融合节拍)的准确率、灵敏度和特异性上对比于普通的单卷积神经网络和单循环神经网络均有提升,组合网络模型综合了单卷积神经网络或单循环神经网络的分类优势,解决了传统的单卷积神经网络或单循环神经网络在部分类别上分类差的问题。
Claims (5)
1.一种基于深度学习的心电信号图的分类方法,其特征在于:所述方法通过以下步骤实现:
步骤一、对采集的心电信号图的图像数据进行预处理;其中预处理包括心电信号图的图像数据的小波去噪和心电信号图的图像数据的数据增强的步骤;
步骤二、设计卷积神经网络;
步骤三、利用设计的卷积神经网络对心电信号图进行分类。
2.根据权利要求1所述的一种基于深度学习的心电信号图的分类方法,其特征在于:所述的步骤一中,心电信号图的图像数据的小波去噪过程具体为:
采取小波方法降噪,对小波系数分析,将绝对值较小的系数置0,保留或收缩绝对值较大的系数,之后对处理后的小波系数进行重构得到消噪信号。
3.根据权利要求2所述的一种基于深度学习的心电信号图的分类方法,其特征在于:所述的步骤一中,心电信号图的图像数据的数据增强的步骤具体为:
采用数据均衡方法对小数据量样本采用过采样操作,首先将小数据量类型的样本心拍频率展开到60-120bpm之间的任意频率,然后利用二阶插值算法按照随机展开的频率对原始心电数据进行采样,具体计算过程如下:
其中,Li所表示原始心电数据的长度,Hmean表示所有输入心电数据的平均脉搏频率,式(1)通过随机函数设定不同频率下的心拍长度,然后按照式(2)对原始的数据利用阶插值算法进行曲线拟合,最后如式(3)按照随机设定的频率对拟合的心电曲线进行采样选取,得到了一系列随机频率的新的数据。
4.根据权利要求3所述的一种基于深度学习的心电信号图的分类方法,其特征在于:所述的步骤二涉及的设计的卷积神经网络的步骤中,
步骤二一、设计的卷积神经网络是三层卷积神经网络,所述的三层卷积神经网络的模型采用3层一维卷积层、3层一维池化层、1层全连接层和softmax输出层的网络结构,其输入是一个长度为N的一维特征向量X=[x1,x2,x3,...,xN],第一层的卷积层是由K个卷积核构成,每一个卷积核的尺寸为1*S,卷积核的系数为Wk∈Rs,k=1,2,...K;则卷积层的输出为h=[h1,h2,h3,...,hk]∈R(N-S+1)K,其中
hk=Relu(wk*x+bk) (4)
在式(4)中,函数Relu表示非线性激活函数,bk表示卷积核对应的偏置;在卷积层的后面加上一层池化层,对窗口内的数据进行平均化或最大化;设网络共L层,其中LM层为全连接层,第LL层为最后的输出层,输出的单元数为最后的分类类别数N,则整个计算的过程如下所示:
hl=f(wlhl-1+bl)LM≤l<L (5)
aL=wlhl-1+bL (6)
其中,hl是第l层的输出,wl和bl是网络要学习的参数,aL为最后输出层的未激活之前的值,P(t|x)为卷积神经网络通过输入x判断其属于类别t的后验概率;对应的标签T=[1,2,...,N],每一个输出标签对应着输入心电节拍所属类别,对于训练集中所有样本,以交叉熵作为目标函数进行优化;
利用训练数据计算每一次迭代的损失函数,并通过反向传播算法进行网络参数的更新,不断地对该目标函数进行优化,通过单一的卷积神经网络对一维心电信号完成特征自动提取和分类任务;
所述的卷积神经网络,是双向长短时记忆神经网络,该网络的每一时刻的输入均来自于前后两个方向的隐含层传递的信息,再将前后隐含层的输出进行结合得到每一时刻的最终输出;
步骤二二、采用双向长短时记忆神经网络BiLSTM对心电信号进行建模分析,
前向推算时需要关联当前时刻之前的输入数据,网络前向计算式为:
反向计算时,关联当前时刻未来要输入的数据,网络反向计算式为:
其中,权重矩阵为W,偏置向量为b,ht的两种代表正向与反向BiLSTM的输出;前后两个方向的LSTM网络维持各自的网络状态信息,相互之间不会有连接,网络的展开图非循环结构;在同一时刻叠加前后不同方向的网络状态信息再进行输出层的计算,其网络整体的计算式为:
利用循环神经网络BiLSTM对心电信号进行时序分析,将心电信号前后的信息结合;
步骤二三、由卷积神经网络和双向长短时记忆网络并行构成卷积神经网络-双向长短时记忆网络,其中,卷积网络部分采用单卷积神经网络,每一层的参数设置仍按照之前网络的结构进行设置;循环神经网络结构采用双向长短时记忆网络的网络结构,通过单层卷积和单层池化结构对输入的心电信号进行长度缩放,并且得到代表每一时间节点的特征向量,在并行网络的输出连接特征融合层,将卷积神经网络和双向长短时记忆网络所提取的空间和时序特征融合,最后将融合的特征送入到输出层,输出该样本属于每一类别的概率值。
5.根据权利要求4所述的一种基于深度学习的心电信号图的分类方法,其特征在于:步骤三涉及的利用设计的卷积神经网络对心电信号图进行分类的步骤,具体为:
由卷积神经网络和双向长短时记忆网络并行构成卷积神经网络-双向长短时记忆网络,卷积神经网络-双向长短时记忆网络的计算方法如以下式所示,设输入是一个长度为N的一维特征向量X=[x1,x2,x3,…,xN],采用MIT-BIH心律不齐数据库的心电数据,经过前期的数据预处理,均截取为长度250的心电信号,将该心电信号分别送入到CNN网络和BiLSTM网络中,则有:
其中,为组合神经网络中卷积神经网络输出的隐藏状态信息,经过一次线性变换,得到的为该网络从输入的心电数据中提取到针对不同类别的一组心电特征;是由一组循环神经网络BiLSTM心电信号所有时间节点的输出拼接而成,为心电信号在时间维度上的隐藏特征,该组特征可较大程度反应出心电信号在时间维度上产生的异常变化;在特征融合层将卷积提取的心电数据形态特征和循环神经网络提取的时序特征进行拼接,得到兼具时序和空间的融合特征,最后经过一次线性变换将前边经过多次卷积和循环高度抽象的融合特征进行整合,通过训练数据学习权重来调整第一类特征和第二类特征的相对比例,得到高度提纯的特征,然后送入到输出层进行每一类别的概率计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011456444.8A CN112508110A (zh) | 2020-12-11 | 2020-12-11 | 一种基于深度学习的心电信号图的分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011456444.8A CN112508110A (zh) | 2020-12-11 | 2020-12-11 | 一种基于深度学习的心电信号图的分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112508110A true CN112508110A (zh) | 2021-03-16 |
Family
ID=74973505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011456444.8A Pending CN112508110A (zh) | 2020-12-11 | 2020-12-11 | 一种基于深度学习的心电信号图的分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508110A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095238A (zh) * | 2021-04-15 | 2021-07-09 | 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 |
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 |
CN113180684A (zh) * | 2021-06-03 | 2021-07-30 | 哈尔滨理工大学 | 一种ⅱ导联心电信号分类方法 |
CN113397555A (zh) * | 2021-07-21 | 2021-09-17 | 南通大学附属医院 | 生理参数监测用c-lstm的心率失常分类算法 |
CN113469218A (zh) * | 2021-06-02 | 2021-10-01 | 安徽心之声医疗科技有限公司 | 基于深度学习的心电信号危急值处理方法、***及介质 |
CN114098679A (zh) * | 2021-12-30 | 2022-03-01 | 中新国际联合研究院 | 基于深度学习和射频感知的生命体征监测波形的恢复方法 |
CN114343665A (zh) * | 2021-12-31 | 2022-04-15 | 贵州省人民医院 | 一种基于图卷积空时特征融合选择的心律失常识别方法 |
CN114343637A (zh) * | 2021-12-29 | 2022-04-15 | 河北体育学院 | 基于卷积和循环神经网络运动员心理压力评估方法及*** |
CN115089206A (zh) * | 2022-05-09 | 2022-09-23 | 吴先洪 | 一种对心音信号的预测方法及使用其的心脏听诊装置 |
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*** |
CN115429288A (zh) * | 2022-10-14 | 2022-12-06 | 福州大学 | 基于集成学习与二级分层网络的十二导联心拍分类方法 |
CN115985464A (zh) * | 2023-03-17 | 2023-04-18 | 山东大学齐鲁医院 | 一种基于多模态数据融合的肌肉疲劳度分类方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104062498A (zh) * | 2014-04-11 | 2014-09-24 | 哈尔滨理工大学 | 对称频谱信号的中心频率的质心估计方法 |
CN111184508A (zh) * | 2020-01-19 | 2020-05-22 | 武汉大学 | 一种基于联合神经网络的心电信号检测装置及分析方法 |
CN111990989A (zh) * | 2020-08-31 | 2020-11-27 | 武汉大学 | 一种基于生成对抗及卷积循环网络的心电信号识别方法 |
-
2020
- 2020-12-11 CN CN202011456444.8A patent/CN112508110A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104062498A (zh) * | 2014-04-11 | 2014-09-24 | 哈尔滨理工大学 | 对称频谱信号的中心频率的质心估计方法 |
CN111184508A (zh) * | 2020-01-19 | 2020-05-22 | 武汉大学 | 一种基于联合神经网络的心电信号检测装置及分析方法 |
CN111990989A (zh) * | 2020-08-31 | 2020-11-27 | 武汉大学 | 一种基于生成对抗及卷积循环网络的心电信号识别方法 |
Non-Patent Citations (5)
Title |
---|
刘政等: "基于深度学习的头皮脑电信息解码研究进展", 《中国生物医学工程学报》 * |
孙虎儿: "《基于神经网络的优化设计及应用》", 31 May 2009, 国防工业出版社 * |
田萌萌等: "医务人员媒介素养与医患沟通关系的调查分析", 《医学理论与实践》 * |
韩子昂: "基于混合神经网络的心电信号分类算法研究及软件设计", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》 * |
马广龙: "基于多模态神经网络的心电信号自动识别算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
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 |
CN113095238A (zh) * | 2021-04-15 | 2021-07-09 | 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 |
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*** |
CN113469218A (zh) * | 2021-06-02 | 2021-10-01 | 安徽心之声医疗科技有限公司 | 基于深度学习的心电信号危急值处理方法、***及介质 |
CN113180684A (zh) * | 2021-06-03 | 2021-07-30 | 哈尔滨理工大学 | 一种ⅱ导联心电信号分类方法 |
CN113180684B (zh) * | 2021-06-03 | 2023-10-24 | 哈尔滨理工大学 | 一种ⅱ导联心电信号分类方法 |
CN113397555A (zh) * | 2021-07-21 | 2021-09-17 | 南通大学附属医院 | 生理参数监测用c-lstm的心率失常分类算法 |
CN114343637A (zh) * | 2021-12-29 | 2022-04-15 | 河北体育学院 | 基于卷积和循环神经网络运动员心理压力评估方法及*** |
CN114343637B (zh) * | 2021-12-29 | 2023-10-13 | 河北体育学院 | 基于卷积和循环神经网络运动员心理压力评估方法及*** |
CN114098679A (zh) * | 2021-12-30 | 2022-03-01 | 中新国际联合研究院 | 基于深度学习和射频感知的生命体征监测波形的恢复方法 |
CN114098679B (zh) * | 2021-12-30 | 2024-03-29 | 中新国际联合研究院 | 基于深度学习和射频感知的生命体征监测波形的恢复方法 |
CN114343665B (zh) * | 2021-12-31 | 2022-11-25 | 贵州省人民医院 | 一种基于图卷积空时特征融合选择的心律失常识别方法 |
CN114343665A (zh) * | 2021-12-31 | 2022-04-15 | 贵州省人民医院 | 一种基于图卷积空时特征融合选择的心律失常识别方法 |
CN115089206A (zh) * | 2022-05-09 | 2022-09-23 | 吴先洪 | 一种对心音信号的预测方法及使用其的心脏听诊装置 |
CN115429288A (zh) * | 2022-10-14 | 2022-12-06 | 福州大学 | 基于集成学习与二级分层网络的十二导联心拍分类方法 |
CN115985464A (zh) * | 2023-03-17 | 2023-04-18 | 山东大学齐鲁医院 | 一种基于多模态数据融合的肌肉疲劳度分类方法及*** |
CN115985464B (zh) * | 2023-03-17 | 2023-07-25 | 山东大学齐鲁医院 | 一种基于多模态数据融合的肌肉疲劳度分类方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112508110A (zh) | 一种基于深度学习的心电信号图的分类方法 | |
CN111160139B (zh) | 心电信号的处理方法、装置及终端设备 | |
CN107510452B (zh) | 一种基于多尺度深度学习神经网络的心电检测方法 | |
Limam et al. | Atrial fibrillation detection and ECG classification based on convolutional recurrent neural network | |
CN111990989A (zh) | 一种基于生成对抗及卷积循环网络的心电信号识别方法 | |
CN104523266B (zh) | 一种心电信号自动分类方法 | |
CN112587153B (zh) | 一种基于vPPG信号的端到端的非接触房颤自动检测***和方法 | |
CN107811626A (zh) | 一种基于一维卷积神经网络和s变换的心律失常分类方法 | |
CN109394205B (zh) | 一种基于深度神经网络的心电信号分析方法 | |
CN109998500A (zh) | 一种基于生成式对抗网络的脉搏信号生成方法及*** | |
CN113397555A (zh) | 生理参数监测用c-lstm的心率失常分类算法 | |
CN110533683B (zh) | 一种融合传统特征与深度特征的影像组学分析方法 | |
CN109431492B (zh) | 基于神经网络算法的心电图导联数据模拟重建方法 | |
CN110638430B (zh) | 级联神经网络ecg信号心律失常分类模型的搭建方法 | |
CN112329609A (zh) | 基于2d心拍的特征融合迁移学习心律失常分类*** | |
CN111772619A (zh) | 一种心电图心搏识别方法、终端设备及存储介质 | |
CN112043260B (zh) | 基于局部模式变换的心电图分类方法 | |
CN111956208B (zh) | 一种基于超轻量级卷积神经网络的ecg信号分类方法 | |
CN113627401A (zh) | 融合双注意力机制的特征金字塔网络的肌电手势识别方法 | |
CN112070067A (zh) | 一种光体积描计信号的散点图分类方法和装置 | |
CN110558975A (zh) | 一种基于lrf-elm和blstm的心电信号分类方法及*** | |
CN112932433A (zh) | 一种心电图的心律失常自动分类方法 | |
CN115919330A (zh) | 基于多层次se注意力和图卷积的eeg情绪状态分类方法 | |
CN116361688A (zh) | 用于心电节律自动分类的多模态特征融合模型构建方法 | |
CN113076878A (zh) | 基于注意力机制卷积网络结构的体质辨识方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210316 |