CN114521900A - 一种基于迁移学习心律失常分类识别的方法 - Google Patents
一种基于迁移学习心律失常分类识别的方法 Download PDFInfo
- Publication number
- CN114521900A CN114521900A CN202210155395.7A CN202210155395A CN114521900A CN 114521900 A CN114521900 A CN 114521900A CN 202210155395 A CN202210155395 A CN 202210155395A CN 114521900 A CN114521900 A CN 114521900A
- Authority
- CN
- China
- Prior art keywords
- ppg
- historical data
- model
- real
- 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.)
- Granted
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
- A61B5/24—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]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
-
- 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
- G06N3/04—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)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Cardiology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于迁移学习心律失常分类识别的方法,包括,构建神经网络模型,通过ECG信号标注样本对神经网络模型进行训练,其中,神经网络模型中包含LSTM网络;通过模拟PPG历史数据标注样本对通过ECG信号标注样本训练后的神经网络模型进行训练;将通过模拟PPG历史数据标注样本训练后的神经网络模型中的LSTM网络替换为SWLSTM网络,通过真实PPG历史数据标注样本对替换完成后的模型进行训练,得到识别模型,其中识别模型用于进行心律失常分类识别。通过上述技术方案,本发明解决了传统深度学习模型对PPG信号实现心律失常分类监测的模型所需标注的真实数据样本较大的问题,同时提升模型的泛化性能。
Description
技术领域
本发明涉及信号识别技术领域,特别涉及一种基于迁移学习心律失常分类识别的方法。
背景技术
当前使用于进行心律失常监测的信号主要是ECG,其产品形态主要包括三个形式:一是基于腕带形态,通过分别用一只手的腕带外侧和另外一只手内侧的金属传感器采集单通道ECG信号的方法;二是使用holter形态的采集单(或多)通道ECG信号的方法;三是使用多导监护仪采集多通道ECG信号的方法。在这三类使用ECG信号进行心律失常识别的产品形态中:腕带形态由于需要两只手同时操作才能进行心律失常的识别,因此这种形态不适合用于心律失常的长期连续监测;Holter形态适合长期连续监测,但其在舒适性上面的缺陷会影响人体睡眠、运动等其它的活动,对于非临床诊断患者反而带来生活上的不便;多导监护仪形态适合进行手术前后的重度病人。因此,开发一种便于采集可用心律失常监测的信号模型,同时用于结合可以不影响佩戴者的正常生活的设备,具有重要的实际意义。
在此基础上出现了一种结合腕带,结合腕带最近已经成为一种广泛使用的健康管理工具,每天都有大量的人佩戴,同时装有PPG传感器的腕带可以为心律失常提供一种低功耗、便捷的监测方法。因此,结合深度学习算法的腕带式可穿戴设备是检测心律失常的有效方法。然而,由于当前用PPG检测心律失常的数据量少,并且PPG不能识别心房活动(P波)导致检测的心律失常类别有限,如何获取能有效的识别心律失常PPG信号是一个值得探索的方向。
可以克服这个挑战的一个方法是迁移学习方法的能力,特别是基于监督深度学习的迁移学习模型,如卷积神经网络、递归神经网络或注意力网络模型的迁移学习模型,已经被证明可以在给定源域和目标域的基础上从源域学习到经验用于高效构建目标域的分类模型(其过程如图1所示)。
成功应用于ECG信号心律失常识别分类的深度学习方法,在用于PPG信号进行心律失常分类时,出现了新的挑战:为了使用PPG信号进行心律失常分类识别产生准确的结果,需要来自采集心律失常过程对应PPG信号中具有代表性和可靠的数据基础,但在稀疏数据是常见问题的心律失常PPG的信号领域却是昂贵的要求。
在标注心律失常PPG信号的背景下,这些数据是通过在真实患者身体上进行采集或通过模拟来收集或者通过ECG信号进行迁移获得的。三种可能性都有其缺点。
首先,真实的人体数据采集既费时又费钱,导致很难收集足够的数据来训练可靠的深度学习模型;
其次,模拟的本质是假设现实的简化视图,导致成本更低,并且在大多数情况下,具有更快的结果,然而,这确实偏离了真实的观察;
最后,相近数据集的迁移,可以减少在学习新任务所需的数据量和时间,或者模型预测分类性能的提高(与从头开始学习相比),但是这建立在两个领域的解空间相似的假设条件下。
因此,在仿真数据上训练的深度学习模型对于真实数据的性能高度依赖于仿真和现实之间的差距,在相近数据集上迁移的深度学习模型对于真实数据的性能高度依赖于源域和目标域之间的差距,即使最精确的模型也只能再现仿真与现实,源域和目标域之间的偏差。这就是本发明要解决的一个中心问题,即如何通过监督学习模型来克服模拟和真实数据之间、源域和目标域的差距,而不需要许多昂贵的真实实验。
发明内容
为解决上述现有技术中所存在的心律失常情况下PPG信号采集困难、以及一致性不强等问题,本发明提供一种基于迁移学习心律失常分类识别的方法,在模型性能不明显降低的情况用于训练的真实PPG信号数据量大大减少,旨在解决传统深度学习模型对PPG信号实现心律失常分类监测的模型所需标注的真实数据样本较大的问题,同时提升模型的泛化性能。
为了实现上述技术目的,本发明提供了如下技术方案:
一种基于迁移学习心律失常分类识别的方法,包括:
构建神经网络模型,通过ECG信号标注样本对神经网络模型进行训练,其中,神经网络模型中包含LSTM网络;
通过模拟PPG历史数据标注样本对通过ECG信号标注样本训练后的神经网络模型进行训练;
将通过模拟PPG历史数据标注样本训练后的神经网络模型中的LSTM网络替换为SWLSTM网络,通过真实PPG历史数据标注样本对替换完成后的模型进行训练,得到识别模型,其中识别模型用于进行心律失常分类识别。
可选的,所述神经网络模型为未训练的CTi-net模型,其中CTi-net模型中包括CNN网络、LSTM网络及全连接层,其中CNN网络、LSTM网络及全连接层两两之间相互连接。
可选的,所述ECG信号标注样本、模拟PPG历史数据标注样本及真实PPG历史数据标注样本的获取过程包括:
分别采集ECG信号、模拟PPG历史数据、真实PPG历史数据;
分别对采集ECG信号、模拟PPG历史数据、真实PPG历史数据进行标准化处理;
分别获取采集ECG信号、模拟PPG历史数据、真实PPG历史数据对应的标签;
分别对应的标签与标准化处理后的数据进行整合,得到ECG信号标注样本、模拟PPG历史数据标注样本及真实PPG历史数据标注样本,其中,ECG信号、模拟PPG历史数据、真实PPG历史数据分别为相同或不同的固定长度,所述对应的标签为分类预测输出心律失常类别。
可选的,所述标准化处理的过程如下式:
其中,s1,…,sn为采集ECG信号、模拟PPG历史数据或真实PPG历史数据的变量序列,μ和σ为标准化参数,μ为平均值,σ为标准差值,标准化参数根据ECG信号、模拟PPG历史数据、真实PPG历史数据的数据类型不同进行设置。
可选的,通过滑动窗口法采集ECG信号、模拟PPG历史数据、真实PPG历史数据。
可选的,将通过模拟PPG历史数据标注样本训练后的神经网络模型中的LSTM网络替换为SWLSTM网络时,通过模拟PPG历史数据标注样本训练后的神经网络模型中除LSTM网络之外的其他网络模型的结构及权重参数保持不变,并在所述LSTM网络替换为SWLSTM网络后,对SWLSTM网络中的权重参数进行随机初始化。
可选的,所述识别模型为CSWTi-net模型。
可选的,所述心律失常分类包括:正常、房颤、一级房室传导阻滞、左束支传导阻滞、右束支传导阻滞、房性早搏及室性早搏。
本发明具有如下技术效果:
本文提出的方法的创新之处体现在:1)为充分提取ECG/PPG信号的特征信息,基于卷积神经网络和门长短时记忆网络,提出了提取空时特征信息,然后通过相同全连接单元进行特征融合的深度学习模型CTi-net;2)使用真实的ECG信号作为源域桥接模拟PPG信号的中间域进行数据域迁移,使得训练模型CTi-net进一步接近目标域的解空间;3)使用真实的PPG信号对模型CTi-net进行结构上的迁移,得到适合PPG信号进行心律失常分类识别的高性能模型,并且进一步压缩模型的运算量。同发明提出的模型结构不仅适合于ECG信号的心律失常识别分类,并且可以在减少真实PPG信号量的基础上确保基于PPG信号的心律失常识别分类性能不明显降低。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的高效构建目标域的分类模型示意图;
图2为本发明实施例提供的CTi-net模型示意图;
图3为本发明实施例提供的方法流程示意图;
图4为本发明实施例提供的CSWTi-net模型示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了解决在现有技术中存在心律失常情况下PPG信号采集困难、以及一致性不强等问题,本发明提供了如下方案:
本发明公开一种基于迁移学习律失常分类识别方法,包含空间特征提取原理、时间特征提取原理、空时特征融合原理、数据域迁移原理和结构域迁移原理。
CNN空间特征提取原理,其中的一维卷积即试图提取信号在某一方向的平移不变特征,这里的ECG/PPG信号也是一种时间序列。因此,使用一维卷积进行提取的ECG/PPG信号在时间方向的平移不变特征,可以更充分提取了ECG/PPG信号中的特征信息并且筛选出具有区分度的信息,在提高了ECG/PPG信号在不同心律失常实时分类监测方法的准确性能同时,也保证了分类***的泛化性能。其中构建的CNN层结构结果如图2所示,设置两层图卷积层,同时使用ReLU作为激活函数,然后使用全连接层将CNN提取的特征线性映射后输入特征融合模块。
LSTM时间特征提取原理,LSTM作为循环神经网络的变种,具有非线性拟合能力,能够有效提取数据的时间特征,克服了RNN中容易出现梯度消失和梯度***导致模型不收敛的问题。其中构建的LSTM层结构结果如图2所示,设置一层LSTM层,然后使用全连接层将LSTM提取的特征线性映射后输入特征融合模块。
SWLSTM时间特征提取原理,SWLSTM作为LSTM的变种,不仅具有非线性拟合能力,能够有效提取数据的时间特征,同时在保障得到与LSTM相近预测效果的同时获得更快的收敛速度。其中构建的包含有SWLSTM流程结构如图3所示(用共享门取代了LSTM的输入门、遗忘门和输出门),直接使用SWLSTM层取代LSTM层,然后使用全连接层将SWLSTM提取的特征线性映射后输入特征融合模块。
空时特征融合原理,将CNN提取的特征线性映射后的特征和LSTM提取的特征线性映射后的特征进行进一步的线性映射,消除不同特征直接由于幅度不同导致对有区分度特征的提取不充分问题,其在模型训练过程中使用更加有效率的梯度下降以及反向传播,避免了梯度***和梯度消失问题,同时简化计算过程。
数据域迁移原理,将预先训练好的基于ECG信号(源域)进行心律失常分类的网络重新用于模拟PPG信号(中间域)进行心律失常分类的进一步训练。这样,在对中间域数据进行训练之前,所有关于模型的网络权重都用从源域中获得的值进行初始化(而非重新开始训练时所有参数进行随机化值)。
结构域迁移原理,通过在中间域训练好的模型进行结构微调,保留卷积层参数,将LSTM替换成SWLSTM层,在获得较高模型性能的同时,进一步降低模型的计算量,同时获得真实PPG信号(目标域)的心律失常识别分类模型。
为了达到上述目的,本发明采用下面的技术方案予以实现:
一种基于迁移学习心律失常分类识别的方法,基于以下定义:
定义:选取固定长度的ECG/PPG信号作为样本数据和对应的心律失常类别作为样本标签。
如图3所示,具体包括如下步骤:
步骤S1:将已采集的ECG信号标注样本后进行模型训练;
步骤S2:使用滑动窗口法将采集的固定长度的ECG信号,使用训练集共享的标准化参数进行标准化后作为输入,对应分类预测输出心律失常类别为标签;
步骤S3:得到CTi-net模型,且保留CTi-net模型各层的权重;
步骤S4:将模拟的PPG历史数据标注样本后进行模型训练,其中模型参数使用第3步的权重进行初始化;
步骤S5:使用滑动窗口法将采集的固定长度的PPG信号,使用训练集共享的标准化参数进行标准化后作为输入,对应分类预测输出心律失常类别为标签;
步骤S6:得到适应中间域的CTi-net模型,且冻结CTi-net模型各卷积层的权重;
步骤S7:将真实的PPG历史数据标注样本后进行模型训练,其中模型卷积层参数使用第6步的权重进行保持不变,LSTM用SWLSTM进行替换并随机初始化;
步骤S8:得到适应目标域的CSWTi-net模型(具体结构如图4)。
本发明提出用于ECG/PPG信号用以不同心律失常识别分类的CSWTi-net模型,使用第一届MIT的数据库进行验证,包括正常(N)、房颤(AF)、一级房室传导阻滞(I-AVB)、左束支传导阻滞(LBBB)、右束支传导阻滞(RBBB)、房性早搏(PAC)、室性早搏(PVC)六大类,使用准确性能指标:准确率、召回率、特异性和马太相关系数。
这里的TP、TN、FP和FN分别表示真阳性、真阴性、假阳性和假阴性的实例。对马太相关系数MCC的取值范围从-1到1中,MCC为-1表示最坏的可能预测,而值为1表示最好的可能预测方案。此外,MCC为0表示随机预测。将标注的10000个样本点按照7:3的比例划分为训练集和测试集,其中训练集、测试集的样本点数为7000个和3000个,其中训练后的CSWTi-net模型和具有相似结构的CNN模型和CTi-net对测试集的分类结果用性能指标表示如表1所示。可以看出相较于CNN模型和CTi-net,CSWTi-net模型对用于ECG信号不同心律失常实时分类监测时的测试集具有明显的性能提升。表1为CNN模型、CTi-net与CSWTi-net模型的性能对比表。
表1
将标注的1000个真实PPG样本点按照7:3的比例划分为训练集和测试集,其中训练集、测试集的样本点数为700个和300个,其中迁移前后的CSWTi-net模型和具有相似结构迁移前后CTi-net对测试集的分类结果用性能指标表示如表2所示。可以看出相较于迁移前CTi-net模型和迁移前的CSWTi-net模型,迁移后CTi-net模型和迁移后的CSWTi-net模型的对用于PPG信号不同心律失常实时分类监测时的测试集具有明显的性能提升,相对CTi-net模型,CSWTi-net模型也具有明显的优势。其中表2为CTi-net与模型CSWTi-net模型的性能对比表。
表2
本文提出的方法的创新之处体现在:1)为充分提取ECG/PPG信号的特征信息,基于卷积神经网络和门长短时记忆网络,提出了提取空时特征信息,然后通过相同全连接单元进行特征融合的深度学习模型CTi-net;2)使用真实的ECG信号作为源域桥接模拟PPG信号的中间域进行数据域迁移,使得训练模型CTi-net进一步接近目标域的解空间;3)使用真实的PPG信号对模型CTi-net进行结构上的迁移,得到适合PPG信号进行心律失常分类识别的高性能模型,并且进一步压缩模型的运算量。同发明提出的模型结构不仅适合于ECG信号的心律失常识别分类,并且可以在减少真实PPG信号量的基础上确保基于PPG信号的心律失常识别分类性能不明显降低。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.一种基于迁移学习心律失常分类识别的方法,其特征在于,包括:
构建神经网络模型,通过ECG信号标注样本对神经网络模型进行训练,其中,神经网络模型中包含LSTM网络;
通过模拟PPG历史数据标注样本对通过ECG信号标注样本训练后的神经网络模型进行训练;
将通过模拟PPG历史数据标注样本训练后的神经网络模型中的LSTM网络替换为SWLSTM网络,通过真实PPG历史数据标注样本对替换完成后的模型进行训练,得到识别模型,其中识别模型用于进行心律失常分类识别。
2.根据权利要求1所述方法,其特征在于:
所述神经网络模型为未训练的CTi-net模型,其中CTi-net模型中包括CNN网络、LSTM网络及全连接层,其中CNN网络、LSTM网络及全连接层两两之间相互连接。
3.根据权利要求1所述方法,其特征在于:
所述ECG信号标注样本、模拟PPG历史数据标注样本及真实PPG历史数据标注样本的获取过程包括:
分别采集ECG信号、模拟PPG历史数据、真实PPG历史数据;
分别对采集ECG信号、模拟PPG历史数据、真实PPG历史数据进行标准化处理;
分别获取采集ECG信号、模拟PPG历史数据、真实PPG历史数据对应的标签;
分别对应的标签与标准化处理后的数据进行整合,得到ECG信号标注样本、模拟PPG历史数据标注样本及真实PPG历史数据标注样本,其中,ECG信号、模拟PPG历史数据、真实PPG历史数据分别为相同或不同的固定长度,所述对应的标签为分类预测输出心律失常类别。
5.根据权利要求3所述方法,其特征在于:
通过滑动窗口法采集ECG信号、模拟PPG历史数据、真实PPG历史数据。
6.根据权利要求1所述方法,其特征在于:
将通过模拟PPG历史数据标注样本训练后的神经网络模型中的LSTM网络替换为SWLSTM网络时,通过模拟PPG历史数据标注样本训练后的神经网络模型中除LSTM网络之外的其他网络模型的结构及权重参数保持不变,并在所述LSTM网络替换为SWLSTM网络后,对SWLSTM网络中的权重参数进行随机初始化。
7.根据权利要求1所述方法,其特征在于:
所述识别模型为CSWTi-net模型。
8.根据权利要求1所述方法,其特征在于:
所述心律失常分类包括:正常、房颤、一级房室传导阻滞、左束支传导阻滞、右束支传导阻滞、房性早搏及室性早搏。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210155395.7A CN114521900B (zh) | 2022-02-21 | 2022-02-21 | 一种基于迁移学习心律失常分类识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210155395.7A CN114521900B (zh) | 2022-02-21 | 2022-02-21 | 一种基于迁移学习心律失常分类识别的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114521900A true CN114521900A (zh) | 2022-05-24 |
CN114521900B CN114521900B (zh) | 2022-11-15 |
Family
ID=81625619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210155395.7A Active CN114521900B (zh) | 2022-02-21 | 2022-02-21 | 一种基于迁移学习心律失常分类识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114521900B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117172306A (zh) * | 2023-07-26 | 2023-12-05 | 东北大学 | 一种大型ersfd转子***代理模型及训练方法、应用 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110148466A (zh) * | 2019-05-15 | 2019-08-20 | 东北大学 | 一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法 |
CN111583201A (zh) * | 2020-04-26 | 2020-08-25 | 浙江大学 | 一种用于构建超分辨率病理显微镜的迁移学习方法 |
CN111832417A (zh) * | 2020-06-16 | 2020-10-27 | 杭州电子科技大学 | 基于cnn-lstm模型和迁移学习的信号调制样式识别方法 |
US20210022633A1 (en) * | 2018-04-27 | 2021-01-28 | Vita-Course Technologies Co., Ltd. | Systems and methods for determining an arrhythmia type |
CN112560079A (zh) * | 2020-11-03 | 2021-03-26 | 浙江工业大学 | 一种基于深度信念网络和迁移学习的隐匿虚假数据注入攻击检测方法 |
CN113076834A (zh) * | 2021-03-25 | 2021-07-06 | 华中科技大学 | 旋转机械故障信息处理方法、处理***、处理终端、介质 |
-
2022
- 2022-02-21 CN CN202210155395.7A patent/CN114521900B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210022633A1 (en) * | 2018-04-27 | 2021-01-28 | Vita-Course Technologies Co., Ltd. | Systems and methods for determining an arrhythmia type |
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 |
CN110148466A (zh) * | 2019-05-15 | 2019-08-20 | 东北大学 | 一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法 |
CN111583201A (zh) * | 2020-04-26 | 2020-08-25 | 浙江大学 | 一种用于构建超分辨率病理显微镜的迁移学习方法 |
CN111832417A (zh) * | 2020-06-16 | 2020-10-27 | 杭州电子科技大学 | 基于cnn-lstm模型和迁移学习的信号调制样式识别方法 |
CN112560079A (zh) * | 2020-11-03 | 2021-03-26 | 浙江工业大学 | 一种基于深度信念网络和迁移学习的隐匿虚假数据注入攻击检测方法 |
CN113076834A (zh) * | 2021-03-25 | 2021-07-06 | 华中科技大学 | 旋转机械故障信息处理方法、处理***、处理终端、介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117172306A (zh) * | 2023-07-26 | 2023-12-05 | 东北大学 | 一种大型ersfd转子***代理模型及训练方法、应用 |
Also Published As
Publication number | Publication date |
---|---|
CN114521900B (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3698707B1 (en) | Electrocardiogram information dynamic monitoring system, computer program and computer readable storage medium | |
CN107951485B (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
WO2019100560A1 (zh) | 基于人工智能自学习的心电图自动分析方法和装置 | |
US11617528B2 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
US11324455B2 (en) | Artificial intelligence-based interference recognition method for electrocardiogram | |
CN109009017B (zh) | 一种智能健康监测***及其数据处理方法 | |
Chen et al. | Self-organized neural network for the quality control of 12-lead ECG signals | |
KR20190114694A (ko) | 인공지능을 이용한 시계열 데이터 학습 및 분석 방법 | |
CN110944577A (zh) | 一种血氧饱和度的检测方法与*** | |
CN110974214A (zh) | 一种基于深度学习的自动心电图分类方法、***及设备 | |
CN110638430B (zh) | 级联神经网络ecg信号心律失常分类模型的搭建方法 | |
CN110659677A (zh) | 一种基于可移动传感器组合设备的人体跌倒检测方法 | |
WO2022119811A1 (en) | Health monitoring system | |
CN111053552B (zh) | 一种基于深度学习的qrs波检测方法 | |
CN114512239A (zh) | 基于迁移学习的脑卒中风险预测方法及*** | |
US11571161B2 (en) | Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems | |
CN114521900B (zh) | 一种基于迁移学习心律失常分类识别的方法 | |
Wang et al. | Multiscale residual network based on channel spatial attention mechanism for multilabel ECG classification | |
Liu et al. | Semantic segmentation of qrs complex in single channel ecg with bidirectional lstm networks | |
Liu et al. | Ensemble learning-based atrial fibrillation detection from single lead ECG wave for wireless body sensor network | |
Wang et al. | MS-MLP: Multi-scale sampling MLP for ECG classification | |
Zhang | Arrhythmias classification based on CNN and LSTM_ATTENTION hybrid model | |
Petty et al. | Evaluating deep learning algorithms for real-time arrhythmia detection | |
He et al. | Automatic classification of arrhythmias by residual network and BiGRU with attention mechanism | |
Zhao et al. | ECG-Based Arrhythmia Detection Using Attention-Based Convolutional Neural Network |
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 |