CN113469218A - 基于深度学习的心电信号危急值处理方法、***及介质 - Google Patents
基于深度学习的心电信号危急值处理方法、***及介质 Download PDFInfo
- Publication number
- CN113469218A CN113469218A CN202110615402.2A CN202110615402A CN113469218A CN 113469218 A CN113469218 A CN 113469218A CN 202110615402 A CN202110615402 A CN 202110615402A CN 113469218 A CN113469218 A CN 113469218A
- Authority
- CN
- China
- Prior art keywords
- electrocardiosignal
- critical value
- model
- deep learning
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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]
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Cardiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了基于深度学习的心电信号危急值处理方法、***及介质,属于信号处理领域。本方案将危急值从实验室检测和生命体征拓展到心电图,首次提出将深度学习应用到心电信号的危急值的处理。可以快速和更高精度的获得对应的数据信息,准确率高,实用性好,具体地,构建一个深度神经网络模型,输入一段心电信号,输出该心电信号对应的危急值等级。该深度神经网络是一个端到端的模型架构,只依赖数据而不依赖领域专家制定具体的评估规则,使用更加灵活且精度更高。
Description
技术领域
本发明涉及信号处理领域,更具体地说,涉及一种基于深度学习的心电信号危急值处理方法、***及介质。
背景技术
危急值是一种常用的诊断工具,可以帮助临床工作人员快速做出反应。传统方法上,危急值是通过实验室检测和生命体征来估计的,然后用来辅助医生决策。例如,通过实验室检测出血清钾离子浓度,当该浓度小于3.0mmol/L时,病人可能患有严重的心律失常。心电信号是通过在人体皮肤上放置电极采集的心脏电活动信号,是目前最方便且精确的心脏数据采集手段。心电信号作为人体最具代表性的生理信号,是最常见的非侵入诊断方式之一,能够用来评估危急值。
近年来,深度学习(Deep Learning)在模拟心电、脑电图等生理信号方面显示出了巨大的潜力。深度神经网络(Deep Neural Networks)具有强大的数据学习能力和灵活的模型架构,能够自动从数据中学习有效的特征,而不需要领域专家的帮助。对于心电数据,深度学习模型可以用于疾病检测、睡眠分期、生物特征识别等。然而,利用深度学习通过心电信号来评估危急值的相关研究还未出现。
现有的技术很多情况下,由于试验条件的限制,通过实验室检测和生命体征无法及时准确地满足危急值评估的需求。且由于心电信号比实验室检测和生命体征值更加复杂,心电信号通常由设备自动记录,因此采样频率远高于实验室检测和生命体征值;此外,生理信号还具有局部模式和长期趋势。由于上述原因,传统的机器学习方法很难在心电信号上进行有效的学习,获得的结果不准确,因此在心电信号上建立一个危急值评估模型面临着挑战。
发明内容
1.要解决的技术问题
针对现有技术中存在的心电信号危急值无法准确进行分析,获得结果不准确的问题,本发明提供了一种基于深度学习的心电信号危急值处理方法、***及介质,它可以实现更加灵活且精度更高的效果,快速获得心电信号的处理结果。
2.技术方案
本发明的目的通过以下技术方案实现。
一种基于深度学习的心电信号危急值处理方法,步骤如下:
心电信号数据的预处理与标注,通过采集信号后进行重采样,并进行原始数据截取,定义心电信号危急值;
深度学习模型构建,构建深度神经网络y=F(X),输入是心电信号X,输出目标深度神经网络模型预测的N个任务的概率y,概率值的取值范围是0到1;输出该心电信号对应的危急值等级,获得数据的危急值标签;
模型训练,首先用传统的交叉熵损失函数LossC预训练神经网络,然后用顺序熵损失函数LossB作为目标函数,对模型进行微调,使用预训练的参数来初始化模型;
模型预测,输入的测试心电信号数据X,计算y=F(X)得到对应若干个任务的预测概率,通过公式计算危急值的概率,取最大概率对应的危急值为预测结果。
更进一步的,采集信号的时候通过线性插值算法将信号重采样为500Hz。
更进一步的,重采样后,对重采样的数据进行0.5-50Hz的带通滤波。去除基线漂移和工频干扰。
更进一步的,使用长度为d的窗口随机截取原始数据,若原始数据的长度小于d,则在该数据后补0,使得长度达到d。过大或过小的d都会导致模型噪声识别精度有一定程度的下降。
更进一步的,深度神经网络为61层的卷积神经网络,基于深度残差网络,由卷积层和全连接层组合而成,包含7个阶段,其中每个阶段分别包含2,2,2,3,3,4,4个块。每个块包含三个卷积层,且卷积核的尺寸分别为1,16,1。
更进一步的,每一层卷积层之前都有一组非线性变换,包括Batch Normalization(批标准化函数)、dropout(丢弃函数)和非线性激活函数,非线性激活函数为Swish函数。
更进一步的,深度神经网络的最后一层为全连接层,该层的节点与前一层的所有节点互相连接,该输出层节点数由危急值的等级数n来确定,对应的输出节点数为(n-1),将该输出值归一化0到1之间。
更进一步的,模型训练具体方法如下,
待训练的参数为模型中定义的所有变量,在训练的开始阶段,使用均值为0、方差为1的正态分布随机初始化这些变量;
定义预训练(pre-train)的目标函数LossC,度量真实标签li和预测概率yi之间的差异程度。
如果li=1,CrossEntropy(li,yi)=-log(yi);
如果li=0,CrossEntropy(li,yi)=-log(1-yi)。
定义微调(finetune)的目标函数LossB,度量c=3个任务的真实标签li和预测概率yi之间的差异程度,此处的c即为输出节点数量(n-1)。
BCE(yi,li)=li log yi+(1-li)log(1-yi)
BCE(yi,li)为损失函数,使用批梯度下降法求解目标函数为LossC的最优化问题,每次选取心电信号数据X中的一批样本,每一轮迭代中计算一批样本正向传播到输出层节点的数据,计算得到梯度再进行反向传播,并在反向传播的过程中更新网络模型参数,经过多轮的迭代,最终得到稳定的模型参数。
一种基于深度学习的心电信号危急值处理***,执行上述所述的方法。
一种可读存储介质,所述存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述所述的方法。
3.有益效果
相比于现有技术,本发明的优点在于:
首次提出将深度学习应用到心电信号的危急值的处理。可以快速和更高精度的获得对应的数据信息,准确率高,实用性好,通过端到端设计的深度神经网络,只依赖数据而不依赖领域专家制定具体的评估规则,使用更加灵活且精度更高。
附图说明
图1为本发明的深度学习模型结构示意图;
图2为整体信号处理流程图;
图3为模型训练流程图。
具体实施方式
下面结合说明书附图和具体的实施例,对本发明作详细描述。
实施例1
本方法将公开数据集作为该模型的训练集和测试集,并将数据原始的诊断结果交由领域专家重新标记为危急值,从而获得数据的危急值标签。然后基于深度残差网络(Deepresidual network)构建一个端到端的深度学习模型,在公开数据集上进行模型的训练和测试,得到最终的危急值模型。最后通过输入一段心电信号便可以得到对应的危急值。可以快速和准确的获得对应的心电信号危急状态,辅助判断,实用性好。
本方案包括心电信号数据的预处理与标注、深度学习模型构建、模型训练和模型预测四个步骤。
心电信号数据的预处理与标注的步骤如下:
采集信号,本方法中首先采用线性插值算法将心电信号重采样为500Hz;
优选的,可以对数据进行0.5-50Hz的带通滤波,目的是为了去除基线漂移和工频干扰。滤波为非必要,但是不进行滤波效果可能会变差;裁剪数据,即重采样为必要的预处理,一方面可以增加验本数量,另一方面是方便后面模型的训练和推理。
使用长度为d的窗口随机截取原始数据,这里的原始数据为采集的心电信号数据,若原始数据的长度小于d,则在该数据后补0,使得长度达到d。d的大小可以根据实际需求选定,通常情况下建议选取10秒,过大或过小的d都会导致模型噪声识别精度有一定程度的下降。
定义心电信号危急值,本发明中将心电信号的危急值分为n个等级,最优选的为四个等级,分别是0(无风险,NoRisk)、1(低风险,LowRisk)、2(中度风险,MediumRisk)和3(高度风险,HighRisk)。公开数据集心电信号的诊断结果中包含对应的疾病标签,由心电专家医生根据疾病的危急程度对信号进行重新标注;最后将数据集的所有信号的疾病标签映射到危急值标签,将危急值标签作为新标签进行下一步的模型训练和预测。当然等级的划分可以根据需求进行调整,根据划分等级的数量调整后续模型的结构,匹配的进行设置。
深度学习模型构建
如图1所示,构建深度神经网络F,输入是心电信号X,输出目标深度神经网络模型预测的N个任务的概率y,概率值的取值范围是0到1,记y=F(X)。
本发明通过结构空间搜索策略寻找最优模型,最终设计了一个61层的卷积神经网络(Convolution Neural Networks,CNN),该网络基于深度残差网络(Residual Network,ResNet)主要由卷积层和全连接层组合而成,具体结构详见下表。
该模型包含7个stage,其中每个stage分别包含2,2,2,3,3,4,4个block。每个block包含三个卷积层,且卷积核的尺寸分别为1,16,1。每一个stage的第一个卷积层通过降采样将输入长度缩短为原来的一半。可以保证后续计算量的减小,效率更高。
每一层卷积层之前都有一组非线性变换,包括Batch Normalization(批标准化函数)、dropout和非线性激活函数,特别地,本发明中的激活函数采用Swish函数。
网络的最后一层为全连接层,该层的节点与前一层的所有节点互相连接,该层节点个数可以为3,也可以为其他数值,该输出层节点数由危急值的等级数n来确定,对应的输出节点数为(n-1),将该输出值归一化0到1之间,本发明中采用Sigmoid函数进行归一化处理,其中x为未激活的输出,e为自然常数。
模型训练
如图2所示,本方案采用的输出节点为模型全连接层的输出节点为(n-1),n为危急值的等级数,由于本实施例采用模型全连接层的输出节点为3,表示同时学***均预测误差降低了5.96%,而现有技术的分类任务的一个缺点是只区分不同的类别而不考虑不同类别间的顺序关系。本方案的有序分类方式特别适用于本方案的危急值的方案。
但是有序分类是多任务学习的一种形式,这使得它比传统的分类任务更难训练。为了改进这一点,本发明中首先用传统的交叉熵损失函数LossC预训练神经网络,然后用顺序熵损失函数LossB作为目标函数,对模型进行微调,使用预训练的参数来初始化模型能够有效地加快模型的收敛。
待训练的参数为模型中定义的所有变量,在训练的开始阶段,使用均值为0、方差为1的正态分布随机初始化这些变量;
定义预训练(pre-train)的目标函数LossC,度量真实标签li和预测概率yi之间的差异程度。
如果li=1,CrossEntropy(li,yi)=-log(yi);
如果li=0,CrossEntropy(li,yi)=-log(1-yi)。
定义微调(finetune)的目标函数LossB,度量c=3个任务的真实标签li和预测概率yi之间的差异程度,。此处的c即为输出节点数量(n-1)。
BCE(yi,li)=li log yi+(1-li)log(1-yi)
如图3所示,BCE(yi,li)为损失函数,使用批梯度下降法求解目标函数为LossC的最优化问题,每次选取心电信号数据X中的一批(Batch)样本,每一轮迭代中计算一批样本正向传播到输出层节点的数据,计算得到梯度再进行反向传播,并在反向传播的过程中更新网络模型参数,经过多轮的迭代,最终得到稳定的模型参数,表示深度神经网络模型的训练过程已经收敛。
保存最终的网络参数,至此训练过程完毕。
模型预测
在模型预测阶段,对于输入的测试心电信号数据X,计算y=F(X)得到对应若干个任务的预测概率,再结合以下公式分别计算出四类危急值的概率,取最大概率对应的危急值为预测结果,形式化地表示为y=argmax(P),其中P为四类危急值概率组成的向量。
Pr(NoRisk|X)=1-Pr(>NoRisk|X)
Pr(LowRisk|X)=Pr(NoRisk|X)-Pr(>LowRisk|X)
Pr(MediumRisk|X)=Pr(LowRisk|X)-Pr(>MediumRisk|X)
Pr(HighRisk|X)=Pr(>MediumRisk|X)
通过上述方法获得的模型,进行对应的心电信号对应的危急值等级获取,方便医生或者其他工作人员辅助获得心电信号的直接表征情况,辅助进行判断。当然对于不同的数量的危急值,对应的概率公式可以作为调整,只要能保证其预测结果合理即可。
本方案将危急值从实验室检测和生命体征拓展到心电图,首次提出将深度学习应用到心电信号的危急值的处理。可以快速和更高精度的获得对应的数据信息,准确率高,实用性好,具体地,构建一个深度神经网络模型,输入一段心电信号,输出该心电信号对应的危急值等级。该深度神经网络是一个端到端的模型架构,只依赖数据而不依赖领域专家制定具体的评估规则,使用更加灵活且精度更高。
一种基于深度学习的心电信号危急值处理***,执行上述所述的方法。***可以包括对应的心电信号数据的预处理与标注模块,深度学习模型构建模块,模型训练模块和模型预测,分别进行上述方法步骤的处理。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和***以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的决策行为决策方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的决策行为决策方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种基于深度学习的心电信号危急值处理方法,步骤如下:
心电信号数据的预处理与标注,通过采集信号后进行重采样,并进行原始数据截取,定义心电信号危急值;
深度学习模型构建,构建深度神经网络y=F(X),输入是心电信号X,输出目标深度神经网络模型预测的N个任务的概率y;输出该心电信号对应的危急值等级,获得数据的危急值标签;
模型训练,首先用传统的交叉熵损失函数LossC预训练神经网络,然后用顺序熵损失函数LossB作为目标函数,对模型进行微调,使用预训练的参数来初始化模型;
模型预测,输入的测试心电信号数据X,计算y=F(X)得到对应若干个任务的预测概率,通过公式计算危急值的概率,取最大概率对应的危急值为预测结果。
2.根据权利要求1所述的一种基于深度学习的心电信号危急值处理方法,其特征在于,采集信号时候通过线性插值算法将信号重采样为500Hz。
3.根据权利要求2所述的一种基于深度学习的心电信号危急值处理方法,其特征在于,重采样后,对重采样的数据进行0.5-50Hz的带通滤波。
4.根据权利要求1所述的一种基于深度学习的心电信号危急值处理方法,其特征在于,使用长度为d的窗口随机截取原始数据,若原始数据的长度小于d,则在该数据后补0,使得长度达到d。
5.根据权利要求1所述的一种基于深度学习的心电信号危急值处理方法,其特征在于,深度神经网络为61层的卷积神经网络,基于深度残差网络,由卷积层和全连接层组合而成,包含7个阶段,其中每个阶段分别包含2,2,2,3,3,4,4个块,每个块包含三个卷积层,且卷积核的尺寸分别为1,16,1。
6.根据权利要求5所述的一种基于深度学习的心电信号危急值处理方法,其特征在于,每一层卷积层之前都有一组非线性变换,包括批标准化函数、丢弃函数和非线性激活函数,非线性激活函数为Swish函数。
7.根据权利要求5或6所述的一种基于深度学习的心电信号危急值处理方法,其特征在于,深度神经网络的最后一层为全连接层,该层的节点与前一层的所有节点互相连接,该输出层节点数由危急值的等级数n来确定,对应的输出节点数为(n-1),将该输出值归一化0到1之间。
8.根据权利要求1所述的一种基于深度学习的心电信号危急值处理方法,其特征在于,
模型训练具体方法如下,
待训练的参数为模型中定义的所有变量,在训练的开始阶段,使用均值为0、方差为1的正态分布随机初始化这些变量;
定义预训练(pre-train)的目标函数LossC,度量真实标签li和预测概率yi之间的差异程度。
如果li=1,CrossEntropy(li,yi)=-log(yi);
如果li=0,CrossEntropy(li,yi)=-log(1-yi)。
定义微调(finetune)的目标函数LossB,度量c=3个任务的真实标签li和预测概率yi之间的差异程度,此处的c即为输出节点数量(n-1);
BCE(yi,li)=lilogyi+(1-li)log(1-yi)
BCE(yi,li)为损失函数,每次选取心电信号数据X中的一批样本,每一轮迭代中计算一批样本正向传播到输出层节点的数据,计算得到梯度再进行反向传播,并在反向传播的过程中更新网络模型参数,经过多轮的迭代,最终得到稳定的模型参数。
9.一种基于深度学习的心电信号危急值处理***,其特征在于,执行如权利要求1-8任一项所述的方法。
10.一种可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110615402.2A CN113469218A (zh) | 2021-06-02 | 2021-06-02 | 基于深度学习的心电信号危急值处理方法、***及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110615402.2A CN113469218A (zh) | 2021-06-02 | 2021-06-02 | 基于深度学习的心电信号危急值处理方法、***及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113469218A true CN113469218A (zh) | 2021-10-01 |
Family
ID=77872132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110615402.2A Pending CN113469218A (zh) | 2021-06-02 | 2021-06-02 | 基于深度学习的心电信号危急值处理方法、***及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469218A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113855038A (zh) * | 2021-10-15 | 2021-12-31 | 南方医科大学 | 基于多模型集成的心电信号危急值的预测方法及装置 |
CN114159070A (zh) * | 2021-12-20 | 2022-03-11 | 武汉大学 | 一种卷积神经网络的心脏骤停风险实时预测方法及*** |
CN116238545A (zh) * | 2023-05-12 | 2023-06-09 | 禾多科技(北京)有限公司 | 一种自动驾驶轨迹偏差检测方法及检测*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109620203A (zh) * | 2018-12-18 | 2019-04-16 | 安徽心之声医疗科技有限公司 | 一种基于一维卷积神经网络的心电信号特征自动提取方法 |
CN109948647A (zh) * | 2019-01-24 | 2019-06-28 | 西安交通大学 | 一种基于深度残差网络的心电图分类方法及*** |
CN110269605A (zh) * | 2019-05-28 | 2019-09-24 | 安徽心之声医疗科技有限公司 | 一种基于深度神经网络的心电信号噪声识别方法 |
CN110688942A (zh) * | 2019-09-25 | 2020-01-14 | 西安邮电大学 | 一种基于InResNet网络的心电信号联合识别模块及方法 |
CN110889448A (zh) * | 2019-11-26 | 2020-03-17 | 北京华医共享医疗科技有限公司 | 一种基于卷积神经网络的心电分类方法 |
CN110974214A (zh) * | 2019-12-20 | 2020-04-10 | 华中科技大学 | 一种基于深度学习的自动心电图分类方法、***及设备 |
CN111134662A (zh) * | 2020-02-17 | 2020-05-12 | 武汉大学 | 一种基于迁移学习和置信度选择的心电异常信号识别方法及装置 |
CN112508110A (zh) * | 2020-12-11 | 2021-03-16 | 哈尔滨理工大学 | 一种基于深度学习的心电信号图的分类方法 |
CN112527938A (zh) * | 2020-12-17 | 2021-03-19 | 安徽迪科数金科技有限公司 | 基于自然语言理解的中文poi匹配方法 |
-
2021
- 2021-06-02 CN CN202110615402.2A patent/CN113469218A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109620203A (zh) * | 2018-12-18 | 2019-04-16 | 安徽心之声医疗科技有限公司 | 一种基于一维卷积神经网络的心电信号特征自动提取方法 |
CN109948647A (zh) * | 2019-01-24 | 2019-06-28 | 西安交通大学 | 一种基于深度残差网络的心电图分类方法及*** |
CN110269605A (zh) * | 2019-05-28 | 2019-09-24 | 安徽心之声医疗科技有限公司 | 一种基于深度神经网络的心电信号噪声识别方法 |
CN110688942A (zh) * | 2019-09-25 | 2020-01-14 | 西安邮电大学 | 一种基于InResNet网络的心电信号联合识别模块及方法 |
CN110889448A (zh) * | 2019-11-26 | 2020-03-17 | 北京华医共享医疗科技有限公司 | 一种基于卷积神经网络的心电分类方法 |
CN110974214A (zh) * | 2019-12-20 | 2020-04-10 | 华中科技大学 | 一种基于深度学习的自动心电图分类方法、***及设备 |
CN111134662A (zh) * | 2020-02-17 | 2020-05-12 | 武汉大学 | 一种基于迁移学习和置信度选择的心电异常信号识别方法及装置 |
CN112508110A (zh) * | 2020-12-11 | 2021-03-16 | 哈尔滨理工大学 | 一种基于深度学习的心电信号图的分类方法 |
CN112527938A (zh) * | 2020-12-17 | 2021-03-19 | 安徽迪科数金科技有限公司 | 基于自然语言理解的中文poi匹配方法 |
Non-Patent Citations (1)
Title |
---|
王哲伟: "基于深度学习的车道线检测算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113855038A (zh) * | 2021-10-15 | 2021-12-31 | 南方医科大学 | 基于多模型集成的心电信号危急值的预测方法及装置 |
CN113855038B (zh) * | 2021-10-15 | 2023-04-11 | 南方医科大学 | 基于多模型集成的心电信号危急值的预测方法及装置 |
CN114159070A (zh) * | 2021-12-20 | 2022-03-11 | 武汉大学 | 一种卷积神经网络的心脏骤停风险实时预测方法及*** |
CN116238545A (zh) * | 2023-05-12 | 2023-06-09 | 禾多科技(北京)有限公司 | 一种自动驾驶轨迹偏差检测方法及检测*** |
CN116238545B (zh) * | 2023-05-12 | 2023-10-27 | 禾多科技(北京)有限公司 | 一种自动驾驶轨迹偏差检测方法及检测*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | An effective LSTM recurrent network to detect arrhythmia on imbalanced ECG dataset | |
US20200337580A1 (en) | Time series data learning and analysis method using artificial intelligence | |
Wang et al. | An improved convolutional neural network based approach for automated heartbeat classification | |
Subasi et al. | Wavelet neural network classification of EEG signals by using AR model with MLE preprocessing | |
Güler et al. | Application of adaptive neuro-fuzzy inference system for detection of electrocardiographic changes in patients with partial epilepsy using feature extraction | |
Yang et al. | Classification of acoustic physiological signals based on deep learning neural networks with augmented features | |
CN113469218A (zh) | 基于深度学习的心电信号危急值处理方法、***及介质 | |
Wu et al. | A novel method for classification of ECG arrhythmias using deep belief networks | |
Jatmiko et al. | Heart beat classification using wavelet feature based on neural network | |
Deperlioglu | Heart sound classification with signal instant energy and stacked autoencoder network | |
Dbritto et al. | Comparative analysis of accuracy on heart disease prediction using classification methods | |
KR102421172B1 (ko) | 앙상블 딥러닝과 형상 융합 기반 심장병 예측을 위한 스마트 헬스케어 모니터링 방법 및 시스템 | |
Laxmikant et al. | An efficient approach to detect diabetes using XGBoost classifier | |
Maity et al. | Transfer learning based heart valve disease classification from Phonocardiogram signal | |
Prakash et al. | A system for automatic cardiac arrhythmia recognition using electrocardiogram signal | |
Gahane et al. | An analytical review of heart failure detection based on IoT and machine learning | |
CN116864140A (zh) | 一种心内科术后护理监测数据处理方法及其*** | |
CN116269212A (zh) | 一种基于深度学习的多模态睡眠阶段预测方法 | |
CN114191665A (zh) | 机械通气过程中人机异步现象的分类方法和分类装置 | |
Chen et al. | Lungheart-AtME: Adventitious cardiopulmonary sounds classification using MMoE with STFT and MFCCs spectrograms | |
Macabiau et al. | Label Propagation Techniques for Artifact Detection in Imbalanced Classes using Photoplethysmogram Signals | |
Kuila et al. | ECG signal classification using DEA with LSTM for arrhythmia detection | |
Thalluri et al. | Ecg signal classification using deep neural networks with ensemble techniques | |
Rahman et al. | Automated detection of cardiac arrhythmia based on a hybrid CNN-LSTM network | |
Gopalswamy et al. | Deep recurrent neural networks for predicting intraoperative and postoperative outcomes and trends |
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 |