CN114004258A - 一种半监督的心电异常检测方法 - Google Patents
一种半监督的心电异常检测方法 Download PDFInfo
- Publication number
- CN114004258A CN114004258A CN202111293464.2A CN202111293464A CN114004258A CN 114004258 A CN114004258 A CN 114004258A CN 202111293464 A CN202111293464 A CN 202111293464A CN 114004258 A CN114004258 A CN 114004258A
- Authority
- CN
- China
- Prior art keywords
- electrocardio
- discriminator
- generator
- data
- samples
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 230000005856 abnormality Effects 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 230000009466 transformation Effects 0.000 claims abstract description 9
- 239000000284 extract Substances 0.000 claims abstract description 4
- 230000009467 reduction Effects 0.000 claims abstract description 4
- 230000000747 cardiac effect Effects 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000003042 antagnostic effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000212376 Ammi Species 0.000 description 1
- 235000007034 Carum copticum Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种半监督的心电异常检测方法,包括:使用小波阈值变换对心电信号进行降噪处理,然后随机选取若干正常心电数据作为训练集,再随机选取若干正常心电数据和异常心电数据用于阈值寻优数据集;构建AD‑ECGGAN网络模型,该AD‑ECGGAN网络模型包括生成器和判别器;固定生成器,从所述训练集中抽取n个真实心电样本,在所述生成器中利用定义的噪声分布生成n个虚假心电样本,通过所述真实心电样本和虚假心电样本来训练判别器;本发明提出的用于心电异常检测的AD‑ECGGAN模型,改进了生成对抗网络的网络结构,提出了新的训练方法,使其可以在缺乏异常心电样本的情况下训练心电信号异常检测的分类器,不需要专业的医生对异常数据进行标注,大大节约人力和时间成本。
Description
技术领域
本发明涉及智慧医疗与健康技术领域,具体涉及一种基于生成对抗网络的半监督的心电异常检测方法。
背景技术
心电图的测量在现代诊断学中起着重要的辅助作用。人工智能的发展很大程度上提高了心电信号分类和异常检测的准确度。然而,现有大多检测方法属于有监督学***衡的数据分布也会影响分类和异常检测的准确度。以上原因造成现有有监督的心电异常检测方法难以有效落地。
数据的异常是指一个或一系列观测值明显偏离数据的总体分布。异常检测从数据集是否标注可以分为监督学***均法,指数平滑法,和设置预置信区间等。基于经典机器学习的方法有K-means聚类,基于密度的聚类,局部异常因子法,隔离森林,单类支持向量机,极端梯度提升等。基于神经网络的有卷积神经网络,残差神经网络,小波网络,LSTM网络和自动编码器等。以上的方法可以归纳为统计、回归、聚类和重构。
随着深度神经网络的发展,通过神经网络来进行异常检测的方法被越来越多地使用。最开始使用神经网络进行检测方法是学习正常数据,再使用分类算法来区分正常数据与异常数据。基于编码器和解码器的方法是这类方法中效果比较不错的,其思路是用正常数据去学习一个编码-解码模型,使得模型可以将正常数据重构出来,而无法重构异常数据。不过该方法非常容易受噪声影响,需要给模型加上各种约束。异常检测的一种思路是将正样本看作一类,负样本看作一类,进行二分类。实际情况是正样本易获得数量多,而负样本难以获得。
发明内容
本发明目的是提供一种半监督的心电异常检测方法,其在只拥有正常心电样本的情况下训练出心电异常检测模型,且模型检测效率相比有监督的模型更高,可以做到实时反馈结果。
为实现上述目的,本申请的技术方案为:一种半监督的心电异常检测方法,包括:
步骤1:使用小波阈值变换对心电信号进行降噪处理,然后随机选取若干正常心电数据作为训练集,再随机选取若干正常心电数据和异常心电数据用于阈值寻优数据集;
步骤2:构建AD-ECGGAN网络模型(心电异常检测对抗网络模型),所述AD-ECGGAN网络模型包括生成器和判别器;
步骤3:固定生成器,从所述训练集中抽取n个真实心电样本,在所述生成器中利用定义的噪声分布生成n个虚假心电样本,通过所述真实心电样本和虚假心电样本来训练判别器;设置每循环更新k次判别器,更新1次生成器为一轮;在每一轮打印所述生成器和判别器的损失以及判别器的准确率;
步骤4:通过所述生成器和判别器的损失以及判别器的准确率判断网络是否收敛,若收敛则转到步骤5;若没有收敛则继续步骤3的对抗训练;
步骤5:停止训练所述生成器,使用生成器生成的异常心电数据和训练集中真实的心电数据继续训练判别器直到准确率不再提升为止,保存此时的判别器模型;
步骤6:调用保存的所述判别器模型,用所述阈值寻优数据集在[0.4-0.6]的阈值区间内找到最优阈值θ;
步骤7:利用所述判别器模型和的最佳阈值θ进行心电异常检测。
进一步的,使用小波阈值变换对心电信号进行降噪处理,具体如下:
将心电信号输入到小波函数中,进行多尺度分解;得到各尺度小波系数后再进行阈值分解,然后通过逆变换重构心电信号。
进一步的,所述阈值分解规则为固定阈值法:
所述小波函数选择软阈值估计法,公式如下:
其中,N为每层小波高频系数的长度值;λ是阈值;w为高频小波系数。
进一步的,所述AD-ECGGAN网络模型的目标函数表达式为:
其中,G表示生成器,D表示判别器,z表示随机噪声。
进一步的,在所述生成器中增加改进的BILSTM层,在所述判别器增加小批量判别器层。
更进一步的,所述改进的BILSTM层具体实现方法如下:
kt=f(w1xt+w2kt-1)
k′t=f(w3xt+w5k′t+1)
ot=g(w4kt+w6k′t)
其中,xt表示当前的输入,kt表示前向传播时当前的输出,kt-1表示前向传播时前一次的输出,k′t表示后向传播时当前的输出,k′t+1表示后向传播时后一次的输出,ot表示最终的输出,w1-w6为门限单元的权重;前向传播时从时刻1到时刻t计算,获取每个时刻前向的输出;后向传播时从时刻t到时刻1反向计算,获取每个时刻后向的输出;在每个时刻将前向和后向层在对应时刻的计算结果相结合得到最终输出,故最终输出涵盖了双向输入序列的信息。
更进一步的,所述小批量判别器层获得一个小批量样本中特征图之间的差异信息作为判别器中下一层的额外输出,以达到各样本间信息交互的目的,具体的:
其中,样本xi在判别器中某层的特征向量为将f(xi)乘以一个张量得到张量然后获取每个样本之间M的行向量的L1距离,得到然后将所有的cb(xi,xj)相加得到o(xi)b,将B个o(xi)b合并得到大小为B的向量o(xi);最后,将o(xi)和f(xi)合并为一个向量作为判别器下一层的输入。
更进一步的,所述生成器和判别器的损失函数为KL散度(相对熵)公式如下:
其中,p(x)表示真实心电数据的分布,q(x)生成心电数据的分布。
作为更进一步的,停止训练生成器的方法为冻结生成器的参数,具体为:在训练开始设置标记flag=0,当判断网络收敛后更新flag=1;每轮对抗训练的开始判断flag是否为0,若为0则对抗训练;若为1则冻结生成器参数,继续训练判别器。
作为更进一步的,最优阈值θ在[0.4,0.6]之间遍历,设判别器模型的输出值为o,o>θ表示预测为正常心电,o<θ表示预测为异常心电,为寻找准确率最高的θ,其计算公式为:
其中,TP为真阳性,表示分类预测正确且被判定为正;TN为真阴性,表示分类预测正确且被判定为负;FP为假阳性,表示分类预测错误且被判定为正;FN为假阴性,表示分类预测错误且被判定为负。
本发明由于采用以上技术方案,能够取得如下的技术效果:本发明提出的用于心电异常检测的AD-ECGGAN模型,改进了生成对抗网络的网络结构,提出了新的训练方法,使其可以在缺乏异常心电样本的情况下训练心电信号异常检测的分类器,不需要专业的医生对异常数据进行标注,大大节约人力和时间成本。提出的模型准确率达到94.33%,AMMI分类下准确率达到96.61%。而且,由于是半监督模型,所以模型可以检测出任何异常的心电,包括罕见的、极少记录的异常心电。模型检测效率相比有监督的模型更高,可以做到实时反馈结果,可以应用于单导联和二导联等可穿戴医疗设备上。单看生成能力,改进后的网络生成心电数据的效果显著提高。单看训练方法,任何现有对抗网络模型都可以使用本发明提出的训练方法对原有代码进行简单的更改,使判别器模型具备异常检测的能力。另外,本发明的思路和方法可以简单地迁移推广到其他时序数据的异常检测上,包括但不限于日志异常检测、音频异常检测和视频异常检测等。
附图说明
图1为一种半监督的心电异常检测方法流程图;
图2为AD-ECGGAN网络模型结构图;
图3为BILSTM层模型示意图;
图4为生成对抗网络生成器和判别器训练损失示意图;
图5为生成的心电效果图。
具体实施方式
下面将结合本发明中的附图,对本发明实施中的技术方案进行清楚、完整的描述,可以理解的是,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域的技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的保护范围。
本发明要解决的技术问题是在只拥有正常心电样本的情况下训练出心电异常检测模型,本发明提出一种AD-ECGGAN网络模型,包括:
通过改进生成对抗网络用于生成异常心电样本;
提出新的判断纳什均衡的方法和新的训练方法将生成对抗网络的判别器用于异常检测;
具体包括以下步骤:
步骤1:使用小波阈值变换对心电信号进行降噪处理,对处理后的数据随机选取若干正常心电数据作为训练集,再随机选取若干正常心电数据和异常心电数据用于阈值寻优数据集;
具体的,将心电信号输入到小波函数中,进行多尺度分解;得到各尺度小波系数后再进行阈值分解,然后通过逆变换重构心电信号;
所述阈值分解规则为固定阈值法:
所述小波函数选择软阈值估计法,公式如下:
其中,N为每层小波高频系数的长度值;λ是阈值;w为高频小波系数。
步骤2:构建AD-ECGGAN网络模型,所述AD-ECGGAN网络模型包括生成器和判别器;
具体的,AD-ECGGAN模型是本发明根据心电信号特点提出的新网络模型,其改进了生成器和判别器网络的结构,并提出了新的训练方法;
AD-ECGGAN模型的目标函数表达式为:
其中,G表示生成器,D表示判别器,z表示随机噪声。生成器接收一个随机噪声z,最大化拟合服从某种简单分布的随机噪声,使其尽可能地服从真实数据的分布,并生成虚假心电样本。判别器负责判断输入的数据是否为真实数据,给真实样本尽可能大的值,给生成样本尽可能小的值。训练时,生成器与判别器相互博弈,前者生成的虚假心电样本慢慢接近真实数据,后者的判断能力慢慢增强。当判别器无法确定数据是真实数据还是分布数据时,生成器已经很好地学习到了真实数据的分布规律,此时网络收敛。
在生成器中增加了改进的BILSTM层,使其更加适用于心电信号。在判别器增加了小批量判别器层,有效的提高了训练的稳定性。
BILSTM是一种特殊的循环神经网络,增加记忆单元和门限制机制来缓解RNN在长序列输入任务中的梯度消失和梯度***问题。BILSTM包括输入层,前向LSTM层、反向LSTM层和输出层。本发明改进的BILSTM具体实现方法如下:
kt=f(w1xt+w2kt-1)
k′t=f(w3xt+w5k′t+1)
ot=g(w4kt+w6k′t)
其中,xt表示当前的输入,kt表示前向传播时当前的输出,kt-1表示前向传播时前一次的输出,k′t表示后向传播时当前的输出,k′t+1表示后向传播时后一次的输出,ot表示最终的输出,w1-w6为门限单元的权重。前向传播时从时刻1到时刻t计算,获取每个时刻前向的输出。后向传播时从时刻t到时刻1反向计算,获取每个时刻后向的输出。在每个时刻将前向和后向层在对应时刻的计算结果相结合得到最终输出,该最终输出涵盖了双向输入序列的信息。
小批量判别器层可以有效地防止模式崩溃的发生,提高训练的稳定性。小批量判别器层获得一个小批量样本中特征图之间的差异信息作为判别器中下一层的额外输出,以达到各样本间信息交互的目的。
其中,样本xi在判别器中某层的特征向量为将f(xi)乘以一个张量得到张量然后计算每个样本之间M的行向量的L1距离,得到然后将所有的cb(xi,xj)相加得到o(xi)b,将B个o(xi)b合并得到大小为B的向量o(xi)。最后,将o(xi)和f(xi)合并为一个向量作为判别器下一层的输入。
步骤3:固定生成器,从所述训练集中抽取n个真实心电样本,在所述生成器中利用定义的噪声分布生成n个虚假心电样本,通过所述真实心电样本和虚假心电样本来训练判别器;设置每循环更新k次判别器,更新1次生成器为一轮;在每一轮打印所述生成器和判别器的损失以及判别器的准确率;
具体的,通过上述对抗的方式训练AD-ECGGAN网络模型。
本发明中生成器在生成心电的过程中产生异常数据,判别器区分真实的正常数据与生成的异常数据之间的边界。当生成器和判别器之间的零和博弈趋近于纳什均衡时,停止训练生成器(即冻结生成器的参数),然后继续训练判别器,直到判别器准确率不再提高。在训练的开始,生成器无法生成足够数量的潜在异常数据,判别器只能通过粗糙的边界将生成的数据与真实数据分开。经过几轮迭代后,生成器可以生成越来越多的潜在异常数据,这些异常数据出现在真实数据内部或附近,此时判别器可以精确描述真实数据的边界。生成器通过生成潜在异常数据,有效地提高了判别器的准确度。
步骤4:通过所述生成器和判别器的损失以及判别器的准确率判断网络是否收敛,若收敛则转到步骤5;若没有收敛则继续步骤3的对抗训练;
具体的,所述生成器和判别器的损失函数为KL散度(相对熵)公式如下:
其中,p(x)表示真实心电的分布,q(x)生成心电的分布。
判断网络是否收敛,就是判断生成器和判别器的对抗博弈是否达到纳什均衡,零和博弈的纳什均衡点为1/2。具体方法为判断最近的5轮训练中判别器的准确率是否稳定在50±0.2%,以及生成器和判别器的损失波动是否稳定在±0.2%。
步骤5:停止训练所述生成器,使用生成器生成的异常心电数据和训练集中真实的心电数据继续训练判别器直到准确率不再提升为止,保存此时的判别器模型;
具体的,停止训练生成器的方法为冻结生成器的参数,具体为:在训练开始设置标记flag=0,当判断网络收敛后更新flag=1。每轮对抗训练的开始判断flag是否为0,若为0则对抗训练;若为1则冻结生成器参数,继续训练判别器。继续训练判别器需要注意准确率不再提升的时候立即停止,而不是在判别器损失不再下降时停止,此操作的目的是为了防止过拟合。
步骤6:调用保存的所述判别器模型,用所述阈值寻优数据集在[0.4-0.6]的阈值区间内找到最优阈值θ;
步骤7:利用所述判别器模型和的最佳阈值θ进行心电异常检测。
具体的,最优阈值θ在[0.4,0.6]之间遍历,设判别器模型的输出值为o,o>θ表示预测为正常心电,o<θ表示预测为异常心电,为寻找准确率最高的θ,其计算公式为:
其中,TP为真阳性,表示分类预测正确且被判定为正;TN为真阴性,表示分类预测正确且被判定为负;FP为假阳性,表示分类预测错误且被判定为正;FN为假阴性,表示分类预测错误且被判定为负。
以上所述仅是本发明的优选实施方式,并不用于限制本发明,应当指出,对于本技术领域的普通技术人员,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (10)
1.一种半监督的心电异常检测方法,其特征在于,包括:
步骤1:使用小波阈值变换对心电信号进行降噪处理,然后随机选取若干正常心电数据作为训练集,再随机选取若干正常心电数据和异常心电数据用于阈值寻优数据集;
步骤2:构建AD-ECGGAN网络模型,所述AD-ECGGAN网络模型包括生成器和判别器;
步骤3:固定生成器,从所述训练集中抽取n个真实心电样本,在所述生成器中利用定义的噪声分布生成n个虚假心电样本,通过所述真实心电样本和虚假心电样本来训练判别器;设置每循环更新k次判别器,更新1次生成器为一轮;在每一轮打印所述生成器和判别器的损失以及判别器的准确率;
步骤4:通过所述生成器和判别器的损失以及判别器的准确率判断网络是否收敛,若收敛则转到步骤5;若没有收敛则继续步骤3的对抗训练;
步骤5:停止训练所述生成器,使用生成器生成的异常心电数据和训练集中真实的心电数据继续训练判别器直到准确率不再提升为止,保存此时的判别器模型;
步骤6:调用保存的所述判别器模型,用所述阈值寻优数据集在[0.4-0.6]的阈值区间内找到最优阈值θ;
步骤7:利用所述判别器模型和的最佳阈值θ进行心电异常检测。
2.根据权利要求1所述一种半监督的心电异常检测方法,其特征在于,使用小波阈值变换对心电信号进行降噪处理,具体如下:
将心电信号输入到小波函数中,进行多尺度分解;得到各尺度小波系数后再进行阈值分解,然后通过逆变换重构心电信号。
5.根据权利要求1所述一种半监督的心电异常检测方法,其特征在于,在所述生成器中增加改进的BILSTM层,在所述判别器增加小批量判别器层。
6.根据权利要求5所述一种半监督的心电异常检测方法,其特征在于,所述改进的BILSTM层具体实现方法如下:
kt=f(w1xt+w2kt-1)
k′t=f(w3xt+w5k′t+1)
ot=g(w4kt+w6k′t)
其中,xt表示当前的输入,kt表示前向传播时当前的输出,kt-1表示前向传播时前一次的输出,k′t表示后向传播时当前的输出,k′t+1表示后向传播时后一次的输出,ot表示最终的输出,w1-w6为门限单元的权重;前向传播时从时刻1到时刻t计算,获取每个时刻前向的输出;后向传播时从时刻t到时刻1反向计算,获取每个时刻后向的输出;将前向和后向层在对应时刻的计算结果相结合得到最终输出。
9.根据权利要求1所述一种半监督的心电异常检测方法,其特征在于,停止训练生成器的方法为冻结生成器的参数,具体为:在训练开始设置标记flag=0,当判断网络收敛后更新flag=1;每轮对抗训练的开始判断flag是否为0,若为0则对抗训练;若为1则冻结生成器参数,继续训练判别器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111293464.2A CN114004258B (zh) | 2021-11-03 | 2021-11-03 | 一种半监督的心电异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111293464.2A CN114004258B (zh) | 2021-11-03 | 2021-11-03 | 一种半监督的心电异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114004258A true CN114004258A (zh) | 2022-02-01 |
CN114004258B CN114004258B (zh) | 2024-04-02 |
Family
ID=79927188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111293464.2A Active CN114004258B (zh) | 2021-11-03 | 2021-11-03 | 一种半监督的心电异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114004258B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115381438A (zh) * | 2022-08-24 | 2022-11-25 | 华南师范大学 | 生命体征信号的重建方法、装置、计算机设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100191139A1 (en) * | 2009-01-28 | 2010-07-29 | Brainscope, Inc. | Method and Device for Probabilistic Objective Assessment of Brain Function |
CN112991579A (zh) * | 2021-01-14 | 2021-06-18 | 北京航空航天大学 | 一种基于生成对抗网络的直升机动部件异常检测方法 |
-
2021
- 2021-11-03 CN CN202111293464.2A patent/CN114004258B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100191139A1 (en) * | 2009-01-28 | 2010-07-29 | Brainscope, Inc. | Method and Device for Probabilistic Objective Assessment of Brain Function |
CN112991579A (zh) * | 2021-01-14 | 2021-06-18 | 北京航空航天大学 | 一种基于生成对抗网络的直升机动部件异常检测方法 |
Non-Patent Citations (1)
Title |
---|
陈国炜;刘磊;郭嘉逸;潘宗序;胡文龙;: "基于生成对抗网络的半监督遥感图像飞机检测", 中国科学院大学学报, no. 04, 8 July 2020 (2020-07-08) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115381438A (zh) * | 2022-08-24 | 2022-11-25 | 华南师范大学 | 生命体征信号的重建方法、装置、计算机设备和存储介质 |
CN115381438B (zh) * | 2022-08-24 | 2023-04-18 | 华南师范大学 | 生命体征信号的重建方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114004258B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zenati et al. | Adversarially learned anomaly detection | |
Gidaris et al. | Generating classification weights with gnn denoising autoencoders for few-shot learning | |
US11727279B2 (en) | Method and apparatus for performing anomaly detection using neural network | |
Yu et al. | Whole process monitoring based on unstable neuron output information in hidden layers of deep belief network | |
CN113723007B (zh) | 基于drsn和麻雀搜索优化的设备剩余寿命预测方法 | |
CN108876044B (zh) | 一种基于知识增强神经网络的线上内容流行度预测方法 | |
CN115903741B (zh) | 一种工业控制***数据异常检测方法 | |
US11606393B2 (en) | Node classification in dynamic networks using graph factorization | |
CN110558971A (zh) | 基于单目标及多目标的生成对抗网络心电图异常检测方法 | |
Challu et al. | Deep generative model with hierarchical latent factors for time series anomaly detection | |
Tasfi et al. | Deep neural networks with confidence sampling for electrical anomaly detection | |
CN116595465A (zh) | 基于自编码器和数据增强的高维稀疏数据离群点检测方法及*** | |
Ding et al. | Efficient BiSRU combined with feature dimensionality reduction for abnormal traffic detection | |
Suresh et al. | A sequential learning algorithm for meta-cognitive neuro-fuzzy inference system for classification problems | |
CN114118167B (zh) | 一种针对行为识别的基于自监督少样本学习的动作序列分割方法 | |
CN114004258A (zh) | 一种半监督的心电异常检测方法 | |
Sadr et al. | An anomaly detection method for satellites using Monte Carlo dropout | |
CN107862375A (zh) | 一种两阶段的设备故障诊断方法 | |
Yang et al. | Bayesian-wavelet-based multisource decision fusion | |
CN115051929A (zh) | 基于自监督目标感知神经网络的网络故障预测方法及装置 | |
Man et al. | Bearing remaining useful life prediction based on AdCNN and CWGAN under few samples | |
CN108810551B (zh) | 一种视频帧预测方法、终端及计算机存储介质 | |
Fan et al. | Interpretable multi-scale neural network for granger causality discovery | |
Sheng et al. | Network traffic anomaly detection method based on chaotic neural network | |
CN113035348A (zh) | 一种基于gru特征融合的糖尿病诊断方法 |
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 |