CN112883803B - 一种基于深度学习的心电信号分类方法、装置及存储介质 - Google Patents
一种基于深度学习的心电信号分类方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112883803B CN112883803B CN202110076938.1A CN202110076938A CN112883803B CN 112883803 B CN112883803 B CN 112883803B CN 202110076938 A CN202110076938 A CN 202110076938A CN 112883803 B CN112883803 B CN 112883803B
- Authority
- CN
- China
- Prior art keywords
- electrocardiosignal
- data
- original
- deep learning
- neural network
- 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
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
-
- 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
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Pathology (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
本发明涉及一种基于深度学习的心电信号分类方法、装置及计算机可读存储介质,所述方法包括以下步骤:采集原始心电信号,对所述原始心电信号进行R波检测,得到R点坐标,根据所述R点坐标图及原始心电信号中的总心拍数将所述原始心电信号分段,得到心电信号数据段,根据所述心电信号数据段形成数据集;构建神经网络模型,利用所述数据集对神经网络模型进行训练,得到用于心电信号分类的神经网络模型;重新采集原始心电信号,对所述用于心电信号分类的神经网络模型对该原始心电信号进行分类,得到原始心电信号的类型。本发明提供的基于深度学习的心电信号分类方法提高了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,尤其涉及一种基于深度学习的心电信号分类方法、装置及计算机可读存储介质。
背景技术
目前深度学习以辅助诊断的形式广泛应用于医疗领域,对于心电信号的分类,深度学习方法相较于传统的信号处理方法具有速度更快,精度更高的优点,心电信号的分类可以为医生的诊断提供参考,在大量的待诊断数据面前,辅助诊断可以减小医生的工作量。
目前对心电信号的分类方法,主要包含有传统的信号处理方法和深度学习方法。传统的数字信号处理方法对心电信号数据进行分类,需要设定参数、阈值等对信号手动提取特征,由于参数、阈值等具有实际的物理意义,因此这种分类方法的可解释性强,但是由于参数、阈值等数值固定,而原始的信号往往具有基线漂移、噪声等干扰,人工提取特征方法的鲁棒性差,因此识别效果远低于深度学习方法。
现有的深度学习方法不仅会大量增加无用信息到数据中,分散神经网络对数据中关键部分的注意力,而且还会增加数据集的大小进而减慢训练速度,还会丢失原始数据中的重要特征,降低神经网络的识别精度,使得心电信号的分类精度较低。
发明内容
有鉴于此,有必要提供了一种基于深度学习的心电信号分类方法、装置及计算机可读存储介质,用以解决现有技术中心电信号的分类精度较低的问题。
本发明提供了一种基于深度学习的心电信号分类方法,包括以下步骤:
采集原始心电信号,对所述原始心电信号进行R波检测,得到R点坐标,根据所述R点坐标图及原始心电信号中的总心拍数将所述原始心电信号分段,得到心电信号数据段,根据所述心电信号数据段形成数据集;
构建神经网络模型,利用所述数据集对神经网络模型进行训练,得到用于心电信号分类的神经网络模型;
重新采集原始心电信号,对所述用于心电信号分类的神经网络模型对该原始心电信号进行分类,得到原始心电信号的类型。
进一步地,根据所述R点坐标及原始心电信号中的总心拍数将所述原始心电信号分段,得到心电信号数据段,具体包括:
在相邻两个R点坐标之间将所述原始心电信号分段,得到N段心电信号数据段,其中,N为S/T向上取整,S为原始心电信号中的总心拍数,T为心电信号数据段中的心拍数量。
进一步地,根据所述心电信号数据段形成数据集,具体包括:
获取所有心电信号数据段中的最大数据长度,将数据长度不为最大数据长度的心电信号数据段编码补零至最大数据长度,根据编码补零后的心电信号数据段编码和未编码补零的心电信号数据段形成数据集。
进一步地,根据编码补零后的心电信号数据段和未编码补零的心电信号数据段形成数据集,具体包括:
以心电类型作为标签,以是否含有疾病特征作为编码补零后的心电信号数据段和未编码补零的心电信号数据段的标记,以最大数据长度作为特征,以编码补零后的心电信号数据段和未编码补零的心电信号数据段作为数据集中的数据,形成数据集。
进一步地,构建神经网络模型,具体包括:
将编码补零后的心电信号数据段和未编码补零的心电信号数据段作为输入通过主干网络进行特征提取,在一维卷积网络Res-Net的特征模块上增加特征注意力结构,以最大数据长度作为全连接层的节点数,将最大数据长度与主干网络提取的特征进行维度融合,融合特征通过Softmax层分类,构建神经网络模型。
进一步地,将编码补零后的心电信号数据段和未编码补零的心电信号数据段作为输入通过主干网络进行特征提取,具体包括:
卷积模块将输入分为两个通道提取特征,一个通道通过一维卷积层和批归一层增加特征图维度,另一个通道通过两次卷积-批归一化-激活层在不改变维度的情况下提取特征,再经过一次卷积-批归一化提升特征图维度;两个通道的维度相同,将两个通道特征图结果进行相加后通过ReLu激活层得到卷积模块的结果。
进一步地,所述特征注意力结构具体为,输入与下通道的跳跃连接,下通道的前半部分通过两次卷积、批归一化、激活层与一次卷积、批归一化层提取特征,该特征的形状与主干网络的输入相同。
进一步地,利用所述数据集对神经网络模型进行训练,具体包括:将数据集随机打乱,并划分成训练验证集和测试集,使用交叉验证将训练验证集划分为训练集和验证集,利用训练集和测试集进行迭代训练,并利用验证集进行验证。
本发明还提供了一种基于深度学习的心电信号分类装置,包括处理器以及存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现如上述任一技术方案所述的基于深度学习的心电信号分类方法。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机该程序被处理器执行时,实现如上述任一技术方案所述的基于深度学习的心电信号分类方法。
与现有技术相比,本发明的有益效果包括:通过采集原始心电信号,对所述原始心电信号进行R波检测,得到R点坐标,根据所述R点坐标图及原始心电信号中的总心拍数将所述原始心电信号分段,得到心电信号数据段,根据所述心电信号数据段形成数据集;构建神经网络模型,利用所述数据集对神经网络模型进行训练,得到用于心电信号分类的神经网络模型;重新采集原始心电信号,对所述用于心电信号分类的神经网络模型对该原始心电信号进行分类,得到原始心电信号的类型;提高了心电信号的分类精度。
附图说明
图1为本发明提供的基于深度学习的心电信号分类方法的流程示意图;
图2为本发明提供的原始心电信号分段的示意图;
图3为本发明提供的神经网络的结构示意图;
图4为本发明提供的卷积模块的结构示意图;
图5为本发明提供的特征注意力模块的结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
实施例1
本发明实施例提供了一种基于深度学习的心电信号分类方法,其流程示意图,如图1所示,所述方法包括以下步骤:
S1、采集原始心电信号,对所述原始心电信号进行R波检测,得到R点坐标,根据所述R点坐标图及原始心电信号中的总心拍数将所述原始心电信号分段,得到心电信号数据段,根据所述心电信号数据段形成数据集;
S2、构建神经网络模型,利用所述数据集对神经网络模型进行训练,得到用于心电信号分类的神经网络模型;
S3、重新采集原始心电信号,对所述用于心电信号分类的神经网络模型对该原始心电信号进行分类,得到原始心电信号的类型。
本发明技术方案通过采集原始心电信号,对所述原始心电信号进行R波检测,得到R点坐标,根据所述R点坐标图及原始心电信号中的总心拍数将所述原始心电信号分段,得到心电信号数据段,根据所述心电信号数据段形成数据集,以此数据集训练得到的神经网络模型可以提高对心电信号的识别精度,即可以提高心电信号的分类精度。
需要说明的是,每一条原始心电信号都有它的标签,例如对于标签为疾病A的心电信号数据,如果此数据段含有疾病A的特征,则标记为1,如果没有,则标记为0;此时每一条心电信号数据都可以形成与其数据段数量对应长度的One-Hot编码特征;
优选的,根据所述R点坐标及原始心电信号中的总心拍数将所述原始心电信号分段,得到心电信号数据段,具体包括:
在相邻两个R点坐标之间将所述原始心电信号分段,得到N段心电信号数据段,其中,N为S/T向上取整,S为原始心电信号中的总心拍数,T为心电信号数据段中的心拍数量。
一个具体实施例中,对原始心电信号进行R波检测后得到包含R点坐标的R点坐标图,设原始心电信号数据D包含的总心拍数量为S,设定数据段包含的心拍数量T,将原始心电信号数据D根据心拍数分段,因此原始心电信号数据的数据段One-Hot长度为S/T向上取整,得到的One-Hot为此原始心电信号的特征d,原始心电信号分段的示意图,如图2所示。
对数据集所有原始心电信号数据进行此操作,由于数据的长度不同,得到的特征d也不会相同,此时对其他的所有原始数据补零到最大数据长度,并对特征d的One-Hot编码补零到最大特征,形成包含原始数据补零后的新数据、标签(波形类型)、最大特征的数据集。
优选的,根据所述心电信号数据段形成数据集,具体包括:
获取所有心电信号数据段中的最大数据长度,将数据长度不为最大数据长度的心电信号数据段编码补零至最大数据长度,根据编码补零后的心电信号数据段编码和未编码补零的心电信号数据段形成数据集。
需要说明的是,最大数据长度即为最大特征。
优选的,根据编码补零后的心电信号数据段和未编码补零的心电信号数据段形成数据集,具体包括:
以心电类型作为标签,以是否含有疾病特征作为编码补零后的心电信号数据段和未编码补零的心电信号数据段的标记,以最大数据长度作为特征,以编码补零后的心电信号数据段和未编码补零的心电信号数据段作为数据集中的数据,形成数据集。
优选的,构建神经网络模型,具体包括:
将编码补零后的心电信号数据段和未编码补零的心电信号数据段作为输入通过主干网络进行特征提取,在一维卷积网络Res-Net的特征模块上增加特征注意力结构,以最大数据长度作为全连接层的节点数,将最大数据长度与主干网络提取的特征进行维度融合,融合特征通过Softmax层分类,构建神经网络模型。
一个具体实施例中,神经网络的结构示意图,如图3所示,将编码补零后的心电信号数据段和未编码补零的心电信号数据段作为输入通过主干网络进行特征提取,将主干网络为50层的一维卷积网络Res-Net,修改最后的全连接层节点数为最大数据长度(最大特征),然后将最大特征与主干网络提取后的特征进行维度融合操作,最后将融合特征通过Softmax层分类。
所述主干网络在原始的Res-Net的特征模块(Indentity Block)中增加了特征注意力结构;卷积模块(Conv Block)的结构示意图,如图4所示,特征注意力模块(IndentityBlock)的结构示意图,如图5所示。
优选的,将编码补零后的心电信号数据段和未编码补零的心电信号数据段作为输入通过主干网络进行特征提取,具体包括:
卷积模块将输入分为两个通道提取特征,一个通道通过一维卷积层和批归一层增加特征图维度,另一个通道通过两次卷积-批归一化-激活层在不改变维度的情况下提取特征,再经过一次卷积-批归一化提升特征图维度;两个通道的维度相同,将两个通道特征图结果进行相加后通过ReLu激活层得到卷积模块的结果。
一个具体实施例中,卷积模块将输入分为两个通道提取特征,上面通道通过一个一维卷积层和批归一层增加特征图维度,下面通道通过两次卷积-批归一化-激活层在不改变维度的情况下提取特征,再经过一次卷积-批归一化提升特征图维度;上下通道的维度相同,将上下通道特征图结果进行相加后通过ReLu激活层得到卷积模块的结果,卷积模块的设置是为了提升特征图维度的特征提取。
优选的,所述特征注意力结构具体为,输入与下通道的跳跃连接,下通道的前半部分通过两次卷积、批归一化、激活层与一次卷积、批归一化层提取特征,该特征的形状与主干网络的输入相同。
一个具体实施例中,由于特征图的通道维数多,但每个通道的重要性不同,为了使网络能够注意到关键的特征,需要得到此时特征图每个通道的权值,获取特征图每个通道的权值具体过程为,假设下通道前半部分得到的特征图y形状为L×C,通过全局池化操作得到形状为1×C,接着经过节点数为r的全连接层得到的形状为1×r,经过激活层,再经过节点数为C的全连接层得到的形状还原为1×C,最后通过sigmoid激活层得到C个通道的权值。将权值与y对应相乘,此操作为图中的Scale操作,得到了加权后的下通道最终特征z。特征z与模块输入x对应元素相加,结果通过ReLu激活层得到模块的最终输出。
由于模块输入与最终输出形状相同,因此在网络中可以串联,设置它在主干网络中不同位置的串联次数分别为2,3,5,2。主干网络中的卷积模块主要作用是特征提取,特征升维,得到更多有用的特征;特征注意力模块作用为特征提取,并且对特征的每个通道进行加权,让网络能够注意到重要的通道、忽视不重要的通道。
优选的,利用所述数据集对神经网络模型进行训练,具体包括:将数据集随机打乱,并划分成训练验证集和测试集,使用交叉验证将训练验证集划分为训练集和验证集,利用训练集和测试集进行迭代训练,并利用验证集进行验证。
一个具体实施例中,以CPSC2018公开的9分类数据集作为数据集来源,此数据集包含正常(Normal,918条)、心房颤动(AF,1098条),一度房室阻滞(I-AVB,704条),左束支传导阻滞(LBBB,207条),右束支传导阻滞(RBBB,1695条),房性早搏(PAC,556条),室性早搏(PVC,672条),ST段抬高(STE,202条),ST段降低(STD,825条)总计6877条的9类数据,数据采样率为500hz,长度在5s到140s之间,导联数为12导;将数据随机打乱,划分成包含6400条的训练验证集和477条的测试集,使用10倍交叉验证将训练测试集划分为10份,每次将其中的9份作为训练集,1份作为验证集训练出10个模型;训练的batch(批尺寸)大小为64,迭代次数为5000次,使用的深度学***均值,将10倍交叉验证得到的10个模型对测试集的10次测试结果的概率平均值作为最终结果。
为了对比此本发明实施例所述用于心电信号分类的神经网络模型(注意力模型)的优越性,将用于心电信号分类的神经网络模型与三种模型对比;三种模型为,模型A,不包含特征d作为输入的模型;模型B,注意力特征模块中不包含后半部分的注意力结构的模型;模型C,以上两个结构都不包含;以上三个模型的其它实验过程与用于心电信号分类的神经网络模型实验过程均相同;通过实验得到注意力模型与其他三个模型的F1值结果,如表1所示。
表1
F1值 | 注意力模型 | 模型A | 模型B | 模型C |
Normal | 0.7527 | 0.7444 | 0.7503 | 0.7401 |
AF | 0.7887 | 0.7801 | 0.7861 | 0.7781 |
I-AVB | 0.7620 | 0.7551 | 0.7534 | 0.7446 |
LBBB | 0.7125 | 0.6997 | 0.7002 | 0.6926 |
RBBB | 0.8412 | 0.8310 | 0.8398 | 0.8237 |
PAC | 0.6003 | 0.5948 | 0.5901 | 0.5885 |
PVC | 0.8121 | 0.8001 | 0.8106 | 0.7931 |
STD | 0.6752 | 0.6731 | 0.6543 | 0.6502 |
STE | 0.3141 | 0.3221 | 0.3007 | 0.2814 |
平均 | 0.6954 | 0.6889 | 0.6873 | 0.6769 |
需要说明的是,P为准确率,即为预测正确的正例占预测为正例数据的比例;R为召回率,即为预测为正例的数据占实际为正例数据的比例;上表中每个模型的结果都是十倍交叉验证模型的平均结果,从表1中可以看出注意力模型在每一类的预测结果上都高于其他模型,体现了注意力模型的有效性和准确性。
实施例2
本发明实施例提供了一种基于深度学习的心电信号分类装置,包括处理器以及存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现如实施例1所述的基于深度学习的心电信号分类方法。
实施例3
本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机该程序被处理器执行时,实现如实施例1所述的基于深度学习的心电信号分类方法。
本发明公开了一种基于深度学习的心电信号分类方法、装置及计算机可读存储介质,通过采集原始心电信号,对所述原始心电信号进行R波检测,得到R点坐标,根据所述R点坐标图及原始心电信号中的总心拍数将所述原始心电信号分段,得到心电信号数据段,根据所述心电信号数据段形成数据集;构建神经网络模型,利用所述数据集对神经网络模型进行训练,得到用于心电信号分类的神经网络模型;重新采集原始心电信号,对所述用于心电信号分类的神经网络模型对该原始心电信号进行分类,得到原始心电信号的类型;提高了心电信号的分类精度。
本发明技术方案对原始心电信号数据进行固定心拍的划分,对划分后的每个数据段进行标记,这种标记的意义在于给网络先验信息,即数据段包括具有疾病特征的数据段(One-Hot为1)和不具有疾病特征的数据段(One-Hot为0);在网络提取到最终的特征后,与此先验信息结合,让网络关注更重要的数据段,进而提升神经网络的识别精度;通过修改的Res-Net的特征模块,在特征模块中添加通道注意力机制,随着网络的训练对每个通道的权重进行学习,让网络关注特征中重要的通道部分,进而提升神经网络的识别精度,从而提高了心电信号的分类精度。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于深度学习的心电信号分类方法,其特征在于,包括以下步骤:
采集原始心电信号,对所述原始心电信号进行R波检测,得到R点坐标,根据所述R点坐标图及原始心电信号中的总心拍数将所述原始心电信号分段,得到心电信号数据段,根据所述心电信号数据段形成数据集;
构建神经网络模型,利用所述数据集对神经网络模型进行训练,得到用于心电信号分类的神经网络模型;
重新采集原始心电信号,采用所述用于心电信号分类的神经网络模型对该原始心电信号进行分类,得到原始心电信号的类型;
根据所述R点坐标及原始心电信号中的总心拍数将所述原始心电信号分段,得到心电信号数据段,具体包括:
在相邻两个R点坐标之间将所述原始心电信号分段,得到N段心电信号数据段,其中,N为S/T向上取整,S为原始心电信号中的总心拍数,T为心电信号数据段中的心拍数量;
根据所述心电信号数据段形成数据集,具体包括:
获取所有心电信号数据段中的最大数据长度,将数据长度不为最大数据长度的心电信号数据段编码补零至最大数据长度,根据编码补零后的心电信号数据段和未编码补零的心电信号数据段形成数据集。
2.根据权利要求1的基于深度学习的心电信号分类方法,其特征在于,根据编码补零后的心电信号数据段和未编码补零的心电信号数据段形成数据集,具体包括:
以心电类型作为标签,以是否含有疾病特征作为编码补零后的心电信号数据段和未编码补零的心电信号数据段的标记,以最大数据长度作为特征,以编码补零后的心电信号数据段和未编码补零的心电信号数据段作为数据集中的数据,形成数据集。
3.根据权利要求2的基于深度学习的心电信号分类方法,其特征在于,构建神经网络模型,具体包括:
将编码补零后的心电信号数据段和未编码补零的心电信号数据段作为输入通过主干网络进行特征提取,在一维卷积网络Res-Net的特征模块上增加特征注意力结构,以最大数据长度作为全连接层的节点数,将最大数据长度与主干网络提取的特征进行维度融合,融合特征通过Softmax层分类,构建神经网络模型。
4.根据权利要求3的基于深度学习的心电信号分类方法,其特征在于,将编码补零后的心电信号数据段和未编码补零的心电信号数据段作为输入通过主干网络进行特征提取,具体包括:
卷积模块将输入分为两个通道提取特征,一个通道通过一维卷积层和批归一层增加特征图维度,另一个通道通过两次卷积-批归一化-激活层在不改变维度的情况下提取特征,再经过一次卷积-批归一化提升特征图维度;两个通道的维度相同,将两个通道特征图结果进行相加后通过ReLu激活层得到卷积模块的结果。
5.根据权利要求3的基于深度学习的心电信号分类方法,其特征在于,所述特征注意力结构具体为,输入与下通道的跳跃连接,下通道的前半部分通过两次卷积、批归一化、激活层与一次卷积、批归一化层提取特征,该特征的形状与主干网络的输入相同。
6.根据权利要求1的基于深度学习的心电信号分类方法,其特征在于,利用所述数据集对神经网络模型进行训练,具体包括:将数据集随机打乱,并划分成训练验证集和测试集,使用交叉验证将训练验证集划分为训练集和验证集,利用训练集和测试集进行迭代训练,并利用验证集进行验证。
7.一种基于深度学习的心电信号分类装置,其特征在于,包括处理器以及存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现如权利要求1-6任一所述的基于深度学习的心电信号分类方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机该程序被处理器执行时,实现如权利要求1-6任一所述的基于深度学习的心电信号分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110076938.1A CN112883803B (zh) | 2021-01-20 | 2021-01-20 | 一种基于深度学习的心电信号分类方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110076938.1A CN112883803B (zh) | 2021-01-20 | 2021-01-20 | 一种基于深度学习的心电信号分类方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112883803A CN112883803A (zh) | 2021-06-01 |
CN112883803B true CN112883803B (zh) | 2023-09-01 |
Family
ID=76051044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110076938.1A Active CN112883803B (zh) | 2021-01-20 | 2021-01-20 | 一种基于深度学习的心电信号分类方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112883803B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113288163A (zh) * | 2021-06-04 | 2021-08-24 | 浙江理工大学 | 基于注意力机制的多特征融合心电信号分类模型建模方法 |
CN116584951B (zh) * | 2023-04-23 | 2023-12-12 | 山东省人工智能研究院 | 一种基于弱监督学习的心电信号检测和定位方法 |
CN117958813B (zh) * | 2024-03-28 | 2024-06-18 | 北京科技大学 | 基于注意力深度残差网络的ecg身份识别方法、***及设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103815897A (zh) * | 2014-02-28 | 2014-05-28 | 吉林大学 | 一种心电图特征提取方法 |
CN106725428A (zh) * | 2016-12-19 | 2017-05-31 | 中国科学院深圳先进技术研究院 | 一种心电信号分类方法及装置 |
CN107122788A (zh) * | 2017-03-09 | 2017-09-01 | 吉林大学 | 一种基于心电信号的身份识别方法及装置 |
CN107516075A (zh) * | 2017-08-03 | 2017-12-26 | 安徽华米信息科技有限公司 | 心电信号的检测方法、装置及电子设备 |
CN108596142A (zh) * | 2018-05-09 | 2018-09-28 | 吉林大学 | 一种基于PCANet的心电特征提取方法 |
CN109620205A (zh) * | 2018-12-26 | 2019-04-16 | 上海联影智能医疗科技有限公司 | 心电数据分类方法、装置、计算机设备和存储介质 |
CN109645983A (zh) * | 2019-01-09 | 2019-04-19 | 南京航空航天大学 | 一种基于多模块神经网络的不平衡心拍分类方法 |
CN110477906A (zh) * | 2019-08-26 | 2019-11-22 | 电子科技大学 | 一种心电信号qrs波起止点定位方法 |
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 |
CN111110228A (zh) * | 2020-01-17 | 2020-05-08 | 武汉中旗生物医疗电子有限公司 | 一种心电信号r波的检测方法及装置 |
CN111603170A (zh) * | 2020-06-01 | 2020-09-01 | 河南华南医电科技有限公司 | 一种基于心电向量图的人体***检测方法 |
CN111657914A (zh) * | 2020-04-30 | 2020-09-15 | 上海数创医疗科技有限公司 | 基于深度学习的心电图形态的识别方法和装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107981858B (zh) * | 2017-11-27 | 2020-12-01 | 上海优加利健康管理有限公司 | 基于人工智能的心电图心搏自动识别分类方法 |
CN107832737B (zh) * | 2017-11-27 | 2021-02-05 | 上海优加利健康管理有限公司 | 基于人工智能的心电图干扰识别方法 |
KR102171236B1 (ko) * | 2019-03-14 | 2020-10-28 | 서울시립대학교 산학협력단 | 심장 박동의 타입을 분류하는 방법 및 이를 이용한 장치 |
-
2021
- 2021-01-20 CN CN202110076938.1A patent/CN112883803B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103815897A (zh) * | 2014-02-28 | 2014-05-28 | 吉林大学 | 一种心电图特征提取方法 |
CN106725428A (zh) * | 2016-12-19 | 2017-05-31 | 中国科学院深圳先进技术研究院 | 一种心电信号分类方法及装置 |
CN107122788A (zh) * | 2017-03-09 | 2017-09-01 | 吉林大学 | 一种基于心电信号的身份识别方法及装置 |
CN107516075A (zh) * | 2017-08-03 | 2017-12-26 | 安徽华米信息科技有限公司 | 心电信号的检测方法、装置及电子设备 |
CN108596142A (zh) * | 2018-05-09 | 2018-09-28 | 吉林大学 | 一种基于PCANet的心电特征提取方法 |
CN109620205A (zh) * | 2018-12-26 | 2019-04-16 | 上海联影智能医疗科技有限公司 | 心电数据分类方法、装置、计算机设备和存储介质 |
CN109645983A (zh) * | 2019-01-09 | 2019-04-19 | 南京航空航天大学 | 一种基于多模块神经网络的不平衡心拍分类方法 |
CN110477906A (zh) * | 2019-08-26 | 2019-11-22 | 电子科技大学 | 一种心电信号qrs波起止点定位方法 |
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 |
CN111110228A (zh) * | 2020-01-17 | 2020-05-08 | 武汉中旗生物医疗电子有限公司 | 一种心电信号r波的检测方法及装置 |
CN111657914A (zh) * | 2020-04-30 | 2020-09-15 | 上海数创医疗科技有限公司 | 基于深度学习的心电图形态的识别方法和装置 |
CN111603170A (zh) * | 2020-06-01 | 2020-09-01 | 河南华南医电科技有限公司 | 一种基于心电向量图的人体***检测方法 |
Non-Patent Citations (1)
Title |
---|
潘辉,等.基于改进残差网络对心电信号的识别.数据采集与处理.2020,(第04期),96-106. * |
Also Published As
Publication number | Publication date |
---|---|
CN112883803A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112883803B (zh) | 一种基于深度学习的心电信号分类方法、装置及存储介质 | |
CN109886273B (zh) | 一种cmr图像分割分类*** | |
CN107822622B (zh) | 基于深度卷积神经网络的心电图诊断方法和*** | |
CN111110228B (zh) | 一种心电信号r波的检测方法及装置 | |
CN112426160A (zh) | 一种心电信号类型识别方法及装置 | |
CN106108880B (zh) | 一种心拍自动识别方法及*** | |
CN111631705A (zh) | 心电异常检测方法、模型训练方法、装置、设备及介质 | |
CN111986101B (zh) | 一种脑血管图谱构建方法 | |
CN110688942A (zh) | 一种基于InResNet网络的心电信号联合识别模块及方法 | |
CN113486752B (zh) | 基于心电信号的情感识别方法及*** | |
CN110288028B (zh) | 心电检测方法、***、设备及计算机可读存储介质 | |
CN115363599B (zh) | 一种用于心房颤动识别的心电信号处理方法及*** | |
CN104398256B (zh) | 一种通过计算机实现的心电波形的检测方法及装置 | |
CN113274031A (zh) | 一种基于深度卷积残差网络的心律失常分类方法 | |
CN111803059A (zh) | 一种基于时域卷积网络的心电信号分类方法及装置 | |
CN115530788A (zh) | 基于自注意力机制的心律失常分类方法 | |
Liao et al. | Classify autism and control based on deep learning and community structure on resting-state fMRI | |
CN116109589A (zh) | 一种应用于充血性心力衰竭诊断的图像处理方法 | |
CN112957052B (zh) | 一种基于nlf-cnn导联融合深度网络的多导联心电信号分类方法 | |
CN112446307B (zh) | 基于局部约束的非负矩阵分解的心电身份识别方法及*** | |
CN114492519A (zh) | 一种基于超声回波射频信号的肺超声特殊征象b线识别分类方法 | |
Zhang et al. | A deep Bayesian neural network for cardiac arrhythmia classification with rejection from ECG recordings | |
CN116797817A (zh) | 基于自监督图卷积模型的自闭症疾病预测技术 | |
CN116206160A (zh) | 基于卷积神经网络模型的鼻咽癌病变组织的自动识别网络模型和自动勾画网络模型的搭建方法 | |
CN112560784B (zh) | 一种基于动态多尺度卷积神经网络的心电图分类方法 |
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 |