CN114711780A - 多导联心电图信号处理方法、装置、设备及存储介质 - Google Patents
多导联心电图信号处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114711780A CN114711780A CN202210218648.0A CN202210218648A CN114711780A CN 114711780 A CN114711780 A CN 114711780A CN 202210218648 A CN202210218648 A CN 202210218648A CN 114711780 A CN114711780 A CN 114711780A
- Authority
- CN
- China
- Prior art keywords
- data
- electrocardiogram
- lead
- target
- lead electrocardiogram
- 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
-
- 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
- A61B5/24—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
- A61B5/363—Detecting tachycardia or bradycardia
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
-
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Power Engineering (AREA)
- Evolutionary Biology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及人工智能技术领域,应用于智慧医疗领域,公开了一种多导联心电图信号处理方法、装置、设备及存储介质,用于提高心电信号提取的准确性和丰富性。多导联心电图信号处理方法包括:获取待处理的多导联心电图信号,待处理的多导联心电图信号用于指示目标对象的心脏检测信息;对待处理的多导联心电图信号进行数据预处理,得到处理后的心电图数据;对处理后的心电图数据进行数据分帧处理,得到多维导联通道心电数据;通过融合双重注意力机制的深度神经网络模型对多维导联通道心电数据进行特征提取和特征聚合处理,得到目标心电特征数据。此外,本发明还涉及区块链技术,目标心电特征数据可存储于区块链节点中。
Description
技术领域
本发明涉及人工智能的神经网络技术领域,尤其涉及一种多导联心电图信号处理方法、装置、设备及存储介质。
背景技术
心脏疾病是威胁我们身体健康的主要元凶之一,心电图是心脏疾病检测的重要方法。心电图是心电图机从体表记录心脏每一心动周期所产生的电活动变化图形的技术,心电图展示了心率的健康状况,通过心电图检测普通用户的心率异常情况。
在医疗人工智能领域,心电图自动化分析方法主要包括对p波,qrs波等典型波形和波段的手工特征提取以及一些深度学习分类网络的特征提取和心电数据分类。目前大多数使用卷积网络(CNN)训练多导联心电图数据实现心电图自动化分析,由于CNN中卷积层受到感受野的限制从而导致对长信号上下文信息的限制,并且忽略了心电信号多通道之间的通道相关性,导致心电信号提取的准确性低。
发明内容
本发明提供了一种多导联心电图信号处理方法、装置、设备及存储介质,用于提高心电信号提取的准确性和丰富性。
为实现上述目的,本发明第一方面提供了一种多导联心电图信号处理方法,包括:获取待处理的多导联心电图信号,所述待处理的多导联心电图信号用于指示目标对象的心脏检测信息;对所述待处理的多导联心电图信号进行数据预处理,得到处理后的心电图数据;对所述处理后的心电图数据进行数据分帧处理,得到多维导联通道心电数据;通过融合双重注意力机制的深度神经网络模型对所述多维导联通道心电数据进行特征提取和特征聚合处理,得到目标心电特征数据。
可选的,在本发明第一方面的第一种实现方式中,所述对所述待处理的多导联心电图信号进行数据预处理,得到处理后的心电图数据,包括:通过预设的带通滤波器对所述待处理的多导联心电图信号进行去除噪声,得到已去噪声心电图数据;对所述已去噪声心电图数据消除基线漂移,得到处理后的心电图数据。
可选的,在本发明第一方面的第二种实现方式中,所述对所述处理后的心电图数据进行数据分帧处理,得到多维导联通道心电数据,包括对所述处理后的心电图数据进行长度统计,得到目标数据长度;获取帧长和帧数,对所述目标数据长度与所述帧长进行差值运算,得到目标差值;基于所述目标差值和所述帧数确定帧移,基于所述帧移、所述帧长和所述帧数确定多维导联通道心电数据。
可选的,在本发明第一方面的第三种实现方式中,所述通过融合双重注意力机制的深度神经网络模型对所述多维导联通道心电数据进行特征提取和特征聚合处理,得到目标心电特征数据,包括:通过融合双重注意力机制的深度神经网络模型中残差网络层,对所述多维导联通道心电数据进行特征提取,得到初始心电局部特征数据;基于所述融合双重注意力机制的深度神经网络模型中双重注意力网络层,对所述初始心电局部特征数据进行特征深层处理,得到初始心电全局特征数据,所述双重注意力网络层包括跨通道注意力机制和全局深度注意力机制;通过所述融合双重注意力机制的深度神经网络模型中全连接网络层,对所述初始心电全局特征数据进行特征聚合处理,得到目标心电特征数据。
可选的,在本发明第一方面的第四种实现方式中,在所述获取待处理的多导联心电图信号,所述待处理的多导联心电图信号用于指示目标对象的心脏检测信息之前,所述多导联心电图信号处理方法包括:获取初始多导联心电图样本数据,并对所述初始多导联心电图样本数据进行数据预处理,得到目标多导联心电图样本数据;按照预设比例对所述目标多导联心电图样本数据进行比例划分,得到多导联心电图训练集、多导联心电图验证集和多导联心电图测试集;基于所述多导联心电图训练集、所述多导联心电图验证集和所述多导联心电图测试集对初始混合模型进行模型训练,得到融合双重注意力机制的深度神经网络模型。
可选的,在本发明第一方面的第五种实现方式中,所述基于所述多导联心电图训练集、所述多导联心电图验证集和所述多导联心电图测试集对初始混合模型进行模型训练,得到融合双重注意力机制的深度神经网络模型,包括:基于初始深度神经网络模型和初始双重注意力机制模型组成初始混合模型,并初始化所述初始混合模型中的各网络参数,所述初始混合模型包括残差网络层、双重注意力网络层和全连接网络层;按照所述多导联心电图训练集对所述初始混合模型进行模型训练,得到已训练混合模型;通过所述多导联心电图验证集对所述已训练混合模型进行模型验证和各网络参数微调处理,得到目标混合模型;根据所述多导联心电图测试集对所述目标混合模型进行模型测试,得到测试结果,当所述测试结果大于或等于预设目标值时,设置所述目标混合模型为融合双重注意力机制的深度神经网络模型。
可选的,在本发明第一方面的第六种实现方式中,在所述通过融合双重注意力机制的深度神经网络模型对所述多维导联通道心电数据进行特征提取和特征聚合处理,得到目标心电特征数据之后,所述多导联心电图信号处理方法还包括:将所述目标心电特征数据更新至预设的知识图谱库中,基于所述预设的知识图谱库生成心电图谱分析报告;将所述心电图谱分析报告分别发送至预设的云存储终端和目标终端,以使得所述目标终端显示所述心电图谱分析报告。
本发明第二方面提供了一种多导联心电图信号处理装置,包括:获取模块,用于获取待处理的多导联心电图信号,所述待处理的多导联心电图信号用于指示目标对象的心脏检测信息;预处理模块,用于对所述待处理的多导联心电图信号进行数据预处理,得到处理后的心电图数据;分帧模块,用于对所述处理后的心电图数据进行数据分帧处理,得到多维导联通道心电数据;聚合模块,用于通过融合双重注意力机制的深度神经网络模型对所述多维导联通道心电数据进行特征提取和特征聚合处理,得到目标心电特征数据。
可选的,在本发明第二方面的第一种实现方式中,所述预处理模块具体用于:通过预设的带通滤波器对所述待处理的多导联心电图信号进行去除噪声,得到已去噪声心电图数据;对所述已去噪声心电图数据消除基线漂移,得到处理后的心电图数据。
可选的,在本发明第二方面的第二种实现方式中,所述分帧模块具体用于:对所述处理后的心电图数据进行长度统计,得到目标数据长度;获取帧长和帧数,对所述目标数据长度与所述帧长进行差值运算,得到目标差值;基于所述目标差值和所述帧数确定帧移,基于所述帧移、所述帧长和所述帧数确定多维导联通道心电数据。
可选的,在本发明第二方面的第三种实现方式中,所述标聚合模块具体用于:过融合双重注意力机制的深度神经网络模型中残差网络层,对所述多维导联通道心电数据进行特征提取,得到初始心电局部特征数据;基于所述融合双重注意力机制的深度神经网络模型中双重注意力网络层,对所述初始心电局部特征数据进行特征深层处理,得到初始心电全局特征数据,所述双重注意力网络层包括跨通道注意力机制和全局深度注意力机制;通过所述融合双重注意力机制的深度神经网络模型中全连接网络层,对所述初始心电全局特征数据进行特征聚合处理,得到目标心电特征数据。
可选的,在本发明第二方面的第四种实现方式中,所述多导联心电图信号处理装置还包括:处理模块,用于获取初始多导联心电图样本数据,并对所述初始多导联心电图样本数据进行数据预处理,得到目标多导联心电图样本数据;划分模块,用于按照预设比例对所述目标多导联心电图样本数据进行比例划分,得到多导联心电图训练集、多导联心电图验证集和多导联心电图测试集;训练模块,用于基于所述多导联心电图训练集、所述多导联心电图验证集和所述多导联心电图测试集对初始混合模型进行模型训练,得到融合双重注意力机制的深度神经网络模型。
可选的,在本发明第二方面的第五种实现方式中,所述训练模块具体用于:基于初始深度神经网络模型和初始双重注意力机制模型组成初始混合模型,并初始化所述初始混合模型中的各网络参数,所述初始混合模型包括残差网络层、双重注意力网络层和全连接网络层;按照所述多导联心电图训练集对所述初始混合模型进行模型训练,得到已训练混合模型;通过所述多导联心电图验证集对所述已训练混合模型进行模型验证和各网络参数微调处理,得到目标混合模型;根据所述多导联心电图测试集对所述目标混合模型进行模型测试,得到测试结果,当所述测试结果大于或等于预设目标值时,设置所述目标混合模型为融合双重注意力机制的深度神经网络模型。
可选的,在本发明第二方面的第六种实现方式中,所述多导联心电图信号处理装置还包括:更新模块,用于将所述目标心电特征数据更新至预设的知识图谱库中,基于所述预设的知识图谱库生成心电图谱分析报告;发送模块,用于将所述心电图谱分析报告分别发送至预设的云存储终端和目标终端,以使得所述目标终端显示所述心电图谱分析报告。
本发明第三方面提供了一种多导联心电图信号处理设备,包括:存储器和至少一个处理器,所述存储器中存储有计算机程序;所述至少一个处理器调用所述存储器中的所述计算机程序,以使得所述多导联心电图信号处理设备执行上述的多导联心电图信号处理方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行上述的多导联心电图信号处理方法。
本发明提供的技术方案中,获取待处理的多导联心电图信号,所述待处理的多导联心电图信号用于指示目标对象的心脏检测信息;对所述待处理的多导联心电图信号进行数据预处理,得到处理后的心电图数据;对所述处理后的心电图数据进行数据分帧处理,得到多维导联通道心电数据;通过融合双重注意力机制的深度神经网络模型对所述多维导联通道心电数据进行特征提取和特征聚合处理,得到目标心电特征数据。本发明实施例中,通过融合双重注意力机制的深度神经网络模型对多维导联通道心电数据进行特征提取和特征聚合处理,得到目标心电特征数据,也就是通过两个不同的注意力机制整合不同维度的特征信息,以实现扩展上下文信息。其中,通过全局深度注意力机制计算空间特征图的所有位置之间的依赖关系,扩展了架构的感受野;而跨通道注意力机制捕获不同通道之间的特征信息。这两个注意力机制的特征最终被聚合,以进一步改进有助于丰富上下文信息的特征表示。
附图说明
图1为本发明实施例中多导联心电图信号处理方法的一个实施例示意图;
图2为本发明实施例中多导联心电图信号处理方法的另一个实施例示意图;
图3为本发明实施例中多导联心电图信号处理装置的一个实施例示意图;
图4为本发明实施例中多导联心电图信号处理装置的另一个实施例示意图;
图5为本发明实施例中多导联心电图信号处理设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种多导联心电图信号处理方法、装置、设备及存储介质,用于通过融合双重注意力机制的深度神经网络模型对多维导联通道心电数据进行特征提取和特征聚合处理,得到目标心电特征数据,也就是通过两个不同的注意力机制整合不同维度的特征信息,以实现扩展上下文信息,以进一步改进有助于丰富上下文信息的特征表示。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中多导联心电图信号处理方法的一个实施例包括:
101、获取待处理的多导联心电图信号,待处理的多导联心电图信号用于指示目标对象的心脏检测信息。
其中,目标对象的心脏检测信息可以包括目标对象的病例诊断信息,也可以为正常检测信息,待处理的多导联心电图信号包括一个或多个心跳周期的设定波段。具体的,服务器接收目标终端发送的心电图数据处理请求,并从心电图数据处理请求中提取待处理的多导联心电图信号;服务器对待处理的多导联心电图信号进行数据存储,例如,服务器可以将待处理的多导联心电图信号存储至预设类型的文件中,或者将待处理的多导联心电图信号存储至预设的内存数据库(远程字典服务redis)中。
进一步地,服务器查询预设的队列表,得到查询结果,当查询结果不为空值时,服务器从查询结果中提取待处理的多导联心电图信号,待处理的多导联心电图信号用于指示目标对象的心脏检测信息。
可以理解的是,本发明的执行主体可以为多导联心电图信号处理装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
102、对待处理的多导联心电图信号进行数据预处理,得到处理后的心电图数据。
需要说明的是,多导联心电图信号90%以上的能量集中于0.5~35Hz之间,这部分能量包含了目标对象的心脏检测信息。基线漂移一般由于信号采集时呼吸及人体移动造成的,表现为低频率的缓慢变化噪声,其频率一般小于0.5Hz,并且,多导联心电图信号还包括30Hz以上的干扰信号(也就是,噪声)。因此,服务器可以通过通带截止频率为(0.5,35)Hz的带通滤波器滤波对多导联心电图信号去除噪声与基线漂移,得到处理后的心电图数据。
103、对处理后的心电图数据进行数据分帧处理,得到多维导联通道心电数据。
需要说明的是,临床采集的数据往往长度不等,因此本发明采用分帧方式将处理后的心电图数据截取为10节长度为1000点的小段,一节即为一帧,每个通道的数据都可以规整为10帧数据的组合[10,1000],心电数据共有12个导联通道,所以多维导联通道心电数据的维度为[10,1000,12]。
具体的,服务器对处理后的心电图数据进行预加重处理,得到已加重的心电图数据;服务器对已加重的心电图数据进行分帧处理,得到多帧心电数据;服务器通过汉明窗对每帧心电数据进行平滑处理,得到加窗后的每帧心电数据;服务器对加窗后的每帧心电数据依次进行信号变换处理(例如傅里叶变换或小波变换)和拼接处理,得到多维导联通道心电数据。
104、通过融合双重注意力机制的深度神经网络模型对多维导联通道心电数据进行特征提取和特征聚合处理,得到目标心电特征数据。
需要说明的是,融合双重注意力机制的深度神经网络模型(也就是DACnet)包括残差网络层resnet、双重注意力网络层Dual-Attention和全连接网络层,残差网络层、双重注意力网络层和全连接网络层之间具有放置位置i预设的连接方式和放置位置关系。resnet用于提取多维导联通道心电数据的特征图,而Dual-Attention用于获取由resnet生成的局部特征的全局信息。resnet的数量为多个,每个resnet包含预设数量(N1,N2,……,N6)具有相同通道数的堆叠子块,每个子块由包括一个二维卷积层、一个批量归一化层和激活函数ReLU。Dual Attention包括跨通道注意力机制和全局深度注意力机制。跨通道注意力机制用于对特征图上任意两个位置的上下文信息进行建模。全局深度注意力机制用于捕获不同通道之间的特征信息,融合双重注意力机制的深度神经网络模型聚合该两个注意力机制分别提取的特征。具体的,服务器通过残差网络层、双重注意力网络层和全连接网络层对多维导联通道心电数据进行特征提取和特征聚合处理,得到目标心电特征数据。进一步地,服务器将目标心电特征数据存储于区块链数据库中,具体此处不做限定。
本发明实施例中,通过融合双重注意力机制的深度神经网络模型对多维导联通道心电数据进行特征提取和特征聚合处理,得到目标心电特征数据,也就是通过两个不同的注意力机制整合不同维度的特征信息,以实现扩展上下文信息。其中,通过全局深度注意力机制计算空间特征图的所有位置之间的依赖关系,扩展了架构的感受野;而跨通道注意力机制捕获不同通道之间的特征信息。这两个注意力机制的特征最终被聚合,以进一步改进有助于丰富上下文信息的特征表示。本方案可应用于智慧医疗领域中,从而推动智慧城市的建设。
请参阅图2,本发明实施例中多导联心电图信号处理方法的另一个实施例包括:
201、获取待处理的多导联心电图信号,待处理的多导联心电图信号用于指示目标对象的心脏检测信息。
该步骤201的具体执行过程与步骤101的执行过程相似,具体此处不再赘述。
202、对待处理的多导联心电图信号进行数据预处理,得到处理后的心电图数据。
具体的,服务器还可以通过低通滤波器清理多导联心电图信号中的噪声,得到已去噪声心电图数据;并通过高通滤波器对已去噪声心电图数据消除基线漂移,得到处理后的心电图数据。
可选的,服务器通过预设的带通滤波器对待处理的多导联心电图信号进行去除噪声,得到已去噪声心电图数据;服务器对已去噪声心电图数据消除基线漂移,得到处理后的心电图数据。
203、对处理后的心电图数据进行数据分帧处理,得到多维导联通道心电数据。
需要说明的是,处理后的心电图数据为一段长时域信号,通常服务器将该处理后的心电图数据分割成多个帧信号,得到多维导联通道心电数据。可选的,服务器对处理后的心电图数据进行长度统计,得到目标数据长度;服务器获取帧长和帧数,对目标数据长度与帧长进行差值运算,得到目标差值;服务器基于目标差值和帧数确定帧移,基于帧移、帧长和帧数确定多维导联通道心电数据。
204、通过融合双重注意力机制的深度神经网络模型对多维导联通道心电数据进行特征提取和特征聚合处理,得到目标心电特征数据。
需要说明的是,服务器预先训练好融合双重注意力机制的深度神经网络模型,具体的,服务器获取初始多导联心电图样本数据,并对初始多导联心电图样本数据进行数据预处理,得到目标多导联心电图样本数据,例如,服务器对初始多导联心电图样本数据进行剔除异常数据、填补缺失数据和数据格式转换等处理;服务器按照预设比例对目标多导联心电图样本数据进行比例划分,得到多导联心电图训练集、多导联心电图验证集和多导联心电图测试集,例如,预设比例可以为8:1:1,也可以为6:2:2,具体此处不做限定;服务器基于多导联心电图训练集、多导联心电图验证集和多导联心电图测试集对初始混合模型进行模型训练,得到融合双重注意力机制的深度神经网络模型。
进一步地,服务器基于初始深度神经网络模型和初始双重注意力机制模型组成初始混合模型,并初始化初始混合模型中的各网络参数,初始混合模型包括残差网络层、双重注意力网络层和全连接网络层,其中,各网络参数包括学习率、学习步长、迭代次数、梯度下降率等参数;服务器按照多导联心电图训练集对初始混合模型进行模型训练,得到已训练混合模型;服务器通过多导联心电图验证集对已训练混合模型进行模型验证和各网络参数微调处理,得到目标混合模型;服务器根据多导联心电图测试集对目标混合模型进行模型测试,得到测试结果,当测试结果大于或等于预设目标值时,设置目标混合模型为融合双重注意力机制的深度神经网络模型。
可选的,首先,服务器通过融合双重注意力机制的深度神经网络模型中残差网络层,对多维导联通道心电数据进行特征提取,得到初始心电局部特征数据;具体的,服务器通过融合双重注意力机制的深度神经网络模型中残差网络提取多维导联通道心电数据的卷积特征,得到初始心电局部特征数据,其中,残差网络包括多个叠加的残差模块。
其次,服务器基于融合双重注意力机制的深度神经网络模型中双重注意力网络层,对初始心电局部特征数据进行特征深层处理,得到初始心电全局特征数据,双重注意力网络层包括跨通道注意力机制和全局深度注意力机制;具体的,服务器将初始心电局部特征数据无损传输到深度神经网络模型中双重注意力网络,双重注意力网络包括跨通道注意力机制和全局深度注意力机制;服务器分别通过跨通道注意力机制(已嵌入的压缩和激励网络)和全局深度注意力机制提取初始心电局部特征数据中易被损失的细节特征,得到初始心电全局特征数据。
最后,服务器通过融合双重注意力机制的深度神经网络模型中全连接网络层,对初始心电全局特征数据进行特征聚合处理,得到目标心电特征数据。需要说明的是,压缩和激励网络在通过最后一个resnet将输入信号X转换为特征图之后,squeeze操作将跨空间维度的特征聚合到大小为1×1×C的通道描述符中,作为通道全局信息的表达。目标心电特征数据包括心电图异常特征数据、窦性心律特征数据、窦性心动过速特征数据、窦性心律不齐特征数据、窦性心动过缓特征数据、房性早搏特征数据、心房颤动特征数据、左心室高电压特征数据、导联异常或数据质量差特征数据、ST-T改变特征数据、室性早搏特征数据、T波改变特征数据、局限性右束支阻滞特征数据和异常Q波特征数据等。
205、将目标心电特征数据更新至预设的知识图谱库中,基于预设的知识图谱库生成心电图谱分析报告。
具体的,服务器对目标心电特征数据用户问题依次进行语义分析,得到已分析的心电特征数据;服务器将已分析的心电特征数据写入预设的知识图谱库中图数据库中;服务器通过预设的图谱分析任务对预设的知识图谱库中图数据库依次进行数据抽取、数据融合、数据存储、数据计算,得到心电图谱数据;服务器获取图谱模板,服务器基于图谱模板和心电图谱数据生成心电图谱分析报告。
206、将心电图谱分析报告分别发送至预设的云存储终端和目标终端,以使得目标终端显示心电图谱分析报告。
具体的,服务器调用预设的应用接口将心电图谱分析报告分别发送至预设的云存储终端,以使得云存储终端对心电图谱分析报告进行安全存储,并响应目标终端请求的文件下载请求;服务器将心电图谱分析报告发送至目标终端,以使得目标终端绘制并显示心电图谱分析报告。
本发明实施例中,通过融合双重注意力机制的深度神经网络模型对多维导联通道心电数据进行特征提取和特征聚合处理,得到目标心电特征数据,也就是通过两个不同的注意力机制整合不同维度的特征信息,以实现扩展上下文信息。其中,通过全局深度注意力机制计算空间特征图的所有位置之间的依赖关系,扩展了架构的感受野;而跨通道注意力机制捕获不同通道之间的特征信息。这两个注意力机制的特征最终被聚合,以进一步改进有助于丰富上下文信息的特征表示。本方案属于智慧医疗领域,通过本方案能够推动智慧城市的建设。
上面对本发明实施例中多导联心电图信号处理方法进行了描述,下面对本发明实施例中多导联心电图信号处理装置进行描述,请参阅图3,本发明实施例中多导联心电图信号处理装置的一个实施例包括:
获取模块301,用于获取待处理的多导联心电图信号,待处理的多导联心电图信号用于指示目标对象的心脏检测信息;
预处理模块302,用于对待处理的多导联心电图信号进行数据预处理,得到处理后的心电图数据;
分帧模块303,用于对处理后的心电图数据进行数据分帧处理,得到多维导联通道心电数据;
聚合模块304,用于通过融合双重注意力机制的深度神经网络模型对多维导联通道心电数据进行特征提取和特征聚合处理,得到目标心电特征数据。
进一步地,将目标心电特征数据存储于区块链数据库中,具体此处不做限定。
本发明实施例中,通过融合双重注意力机制的深度神经网络模型对多维导联通道心电数据进行特征提取和特征聚合处理,得到目标心电特征数据,也就是通过两个不同的注意力机制整合不同维度的特征信息,以实现扩展上下文信息。其中,通过全局深度注意力机制计算空间特征图的所有位置之间的依赖关系,扩展了架构的感受野;而跨通道注意力机制捕获不同通道之间的特征信息。这两个注意力机制的特征最终被聚合,以进一步改进有助于丰富上下文信息的特征表示。
请参阅图4,本发明实施例中多导联心电图信号处理装置的另一个实施例包括:
获取模块301,用于获取待处理的多导联心电图信号,待处理的多导联心电图信号用于指示目标对象的心脏检测信息;
预处理模块302,用于对待处理的多导联心电图信号进行数据预处理,得到处理后的心电图数据;
分帧模块303,用于对处理后的心电图数据进行数据分帧处理,得到多维导联通道心电数据;
聚合模块304,用于通过融合双重注意力机制的深度神经网络模型对多维导联通道心电数据进行特征提取和特征聚合处理,得到目标心电特征数据。
可选的,预处理模块302还可以具体用于:
通过预设的带通滤波器对待处理的多导联心电图信号进行去除噪声,得到已去噪声心电图数据;
对已去噪声心电图数据消除基线漂移,得到处理后的心电图数据。
可选的,分帧模块303还可以具体用于:
对处理后的心电图数据进行长度统计,得到目标数据长度;
获取帧长和帧数,对目标数据长度与帧长进行差值运算,得到目标差值;
基于目标差值和帧数确定帧移,基于帧移、帧长和帧数确定多维导联通道心电数据。
可选的,聚合模块304还可以具体用于:
通过融合双重注意力机制的深度神经网络模型中残差网络层,对多维导联通道心电数据进行特征提取,得到初始心电局部特征数据;
基于融合双重注意力机制的深度神经网络模型中双重注意力网络层,对初始心电局部特征数据进行特征深层处理,得到初始心电全局特征数据,双重注意力网络层包括跨通道注意力机制和全局深度注意力机制;
通过融合双重注意力机制的深度神经网络模型中全连接网络层,对初始心电全局特征数据进行特征聚合处理,得到目标心电特征数据。
可选的,多导联心电图信号处理装置还可以包括:
处理模块305,用于获取初始多导联心电图样本数据,并对初始多导联心电图样本数据进行数据预处理,得到目标多导联心电图样本数据;
划分模块306,用于按照预设比例对目标多导联心电图样本数据进行比例划分,得到多导联心电图训练集、多导联心电图验证集和多导联心电图测试集;
训练模块307,用于基于多导联心电图训练集、多导联心电图验证集和多导联心电图测试集对初始混合模型进行模型训练,得到融合双重注意力机制的深度神经网络模型。
可选的,训练模块307还可以具体用于:
基于初始深度神经网络模型和初始双重注意力机制模型组成初始混合模型,并初始化初始混合模型中的各网络参数,初始混合模型包括残差网络层、双重注意力网络层和全连接网络层;
按照多导联心电图训练集对初始混合模型进行模型训练,得到已训练混合模型;
通过多导联心电图验证集对已训练混合模型进行模型验证和各网络参数微调处理,得到目标混合模型;
根据多导联心电图测试集对目标混合模型进行模型测试,得到测试结果,当测试结果大于或等于预设目标值时,设置目标混合模型为融合双重注意力机制的深度神经网络模型。
可选的,多导联心电图信号处理装置还可以包括:
更新模块308,用于将目标心电特征数据更新至预设的知识图谱库中,基于预设的知识图谱库生成心电图谱分析报告;
发送模块309,用于将心电图谱分析报告分别发送至预设的云存储终端和目标终端,以使得目标终端显示心电图谱分析报告。
本发明实施例中,通过融合双重注意力机制的深度神经网络模型对多维导联通道心电数据进行特征提取和特征聚合处理,得到目标心电特征数据,也就是通过两个不同的注意力机制整合不同维度的特征信息,以实现扩展上下文信息。其中,通过全局深度注意力机制计算空间特征图的所有位置之间的依赖关系,扩展了架构的感受野;而跨通道注意力机制捕获不同通道之间的特征信息。这两个注意力机制的特征最终被聚合,以进一步改进有助于丰富上下文信息的特征表示。
上面图3和图4从模块化的角度对本发明实施例中的多导联心电图信号处理装置进行详细描述,下面从硬件处理的角度对本发明实施例中多导联心电图信号处理设备进行详细描述。
图5是本发明实施例提供的一种多导联心电图信号处理设备的结构示意图,该多导联心电图信号处理设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)510(例如,一个或一个以上处理器)和存储器520,一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对多导联心电图信号处理设备500中的一系列计算机程序操作。更进一步地,处理器510可以设置为与存储介质530通信,在多导联心电图信号处理设备500上执行存储介质530中的一系列计算机程序操作。
多导联心电图信号处理设备500还可以包括一个或一个以上电源540,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口560,和/或,一个或一个以上操作***531,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图5示出的多导联心电图信号处理设备结构并不构成对多导联心电图信号处理设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,使得计算机执行所述多导联心电图信号处理方法的步骤。
本发明还提供一种多导联心电图信号处理设备,所述多导联心电图信号处理设备包括存储器和处理器,存储器中存储有计算机程序,所述计算机程序被处理器执行时,使得处理器执行上述各实施例中的所述多导联心电图信号处理方法的步骤。
进一步地,所述计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干计算机程序用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-onlymemory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种多导联心电图信号处理方法,其特征在于,所述多导联心电图信号处理方法包括:
获取待处理的多导联心电图信号,所述待处理的多导联心电图信号用于指示目标对象的心脏检测信息;
对所述待处理的多导联心电图信号进行数据预处理,得到处理后的心电图数据;
对所述处理后的心电图数据进行数据分帧处理,得到多维导联通道心电数据;
通过融合双重注意力机制的深度神经网络模型对所述多维导联通道心电数据进行特征提取和特征聚合处理,得到目标心电特征数据。
2.根据权利要求1所述的多导联心电图信号处理方法,其特征在于,所述对所述待处理的多导联心电图信号进行数据预处理,得到处理后的心电图数据,包括:
通过预设的带通滤波器对所述待处理的多导联心电图信号进行去除噪声,得到已去噪声心电图数据;
对所述已去噪声心电图数据消除基线漂移,得到处理后的心电图数据。
3.根据权利要求1所述的多导联心电图信号处理方法,其特征在于,所述对所述处理后的心电图数据进行数据分帧处理,得到多维导联通道心电数据,包括:
对所述处理后的心电图数据进行长度统计,得到目标数据长度;
获取帧长和帧数,对所述目标数据长度与所述帧长进行差值运算,得到目标差值;
基于所述目标差值和所述帧数确定帧移,基于所述帧移、所述帧长和所述帧数确定多维导联通道心电数据。
4.根据权利要求1所述的多导联心电图信号处理方法,其特征在于,所述通过融合双重注意力机制的深度神经网络模型对所述多维导联通道心电数据进行特征提取和特征聚合处理,得到目标心电特征数据,包括:
通过融合双重注意力机制的深度神经网络模型中残差网络层,对所述多维导联通道心电数据进行特征提取,得到初始心电局部特征数据;
基于所述融合双重注意力机制的深度神经网络模型中双重注意力网络层,对所述初始心电局部特征数据进行特征深层处理,得到初始心电全局特征数据,所述双重注意力网络层包括跨通道注意力机制和全局深度注意力机制;
通过所述融合双重注意力机制的深度神经网络模型中全连接网络层,对所述初始心电全局特征数据进行特征聚合处理,得到目标心电特征数据。
5.根据权利要求1-4中任意一项所述的多导联心电图信号处理方法,其特征在于,在所述获取待处理的多导联心电图信号,所述待处理的多导联心电图信号用于指示目标对象的心脏检测信息之前,所述多导联心电图信号处理方法包括:
获取初始多导联心电图样本数据,并对所述初始多导联心电图样本数据进行数据预处理,得到目标多导联心电图样本数据;
按照预设比例对所述目标多导联心电图样本数据进行比例划分,得到多导联心电图训练集、多导联心电图验证集和多导联心电图测试集;
基于所述多导联心电图训练集、所述多导联心电图验证集和所述多导联心电图测试集对初始混合模型进行模型训练,得到融合双重注意力机制的深度神经网络模型。
6.根据权利要求5所述的多导联心电图信号处理方法,其特征在于,所述基于所述多导联心电图训练集、所述多导联心电图验证集和所述多导联心电图测试集对初始混合模型进行模型训练,得到融合双重注意力机制的深度神经网络模型,包括:
基于初始深度神经网络模型和初始双重注意力机制模型组成初始混合模型,并初始化所述初始混合模型中的各网络参数,所述初始混合模型包括残差网络层、双重注意力网络层和全连接网络层;
按照所述多导联心电图训练集对所述初始混合模型进行模型训练,得到已训练混合模型;
通过所述多导联心电图验证集对所述已训练混合模型进行模型验证和各网络参数微调处理,得到目标混合模型;
根据所述多导联心电图测试集对所述目标混合模型进行模型测试,得到测试结果,当所述测试结果大于或等于预设目标值时,设置所述目标混合模型为融合双重注意力机制的深度神经网络模型。
7.根据权利要求1-4中任意一项所述的多导联心电图信号处理方法,其特征在于,在所述通过融合双重注意力机制的深度神经网络模型对所述多维导联通道心电数据进行特征提取和特征聚合处理,得到目标心电特征数据之后,所述多导联心电图信号处理方法还包括:
将所述目标心电特征数据更新至预设的知识图谱库中,基于所述预设的知识图谱库生成心电图谱分析报告;
将所述心电图谱分析报告分别发送至预设的云存储终端和目标终端,以使得所述目标终端显示所述心电图谱分析报告。
8.一种多导联心电图信号处理装置,其特征在于,所述多导联心电图信号处理装置包括:
获取模块,用于获取待处理的多导联心电图信号,所述待处理的多导联心电图信号用于指示目标对象的心脏检测信息;
预处理模块,用于对所述待处理的多导联心电图信号进行数据预处理,得到处理后的心电图数据;
分帧模块,用于对所述处理后的心电图数据进行数据分帧处理,得到多维导联通道心电数据;
聚合模块,用于通过融合双重注意力机制的深度神经网络模型对所述多维导联通道心电数据进行特征提取和特征聚合处理,得到目标心电特征数据。
9.一种多导联心电图信号处理设备,其特征在于,所述多导联心电图信号处理设备包括:存储器和至少一个处理器,所述存储器中存储有计算机程序;
所述至少一个处理器调用所述存储器中的所述计算机程序,以使得所述多导联心电图信号处理设备执行如权利要求1-7中任意一项所述的多导联心电图信号处理方法。
10.一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,所述计算机程序被处理器执行时实现如权利要求1-7中任意一项所述的多导联心电图信号处理方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210218648.0A CN114711780A (zh) | 2022-03-04 | 2022-03-04 | 多导联心电图信号处理方法、装置、设备及存储介质 |
PCT/CN2022/089174 WO2023165005A1 (zh) | 2022-03-04 | 2022-04-26 | 多导联心电图信号处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210218648.0A CN114711780A (zh) | 2022-03-04 | 2022-03-04 | 多导联心电图信号处理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114711780A true CN114711780A (zh) | 2022-07-08 |
Family
ID=82237066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210218648.0A Pending CN114711780A (zh) | 2022-03-04 | 2022-03-04 | 多导联心电图信号处理方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114711780A (zh) |
WO (1) | WO2023165005A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117457229B (zh) * | 2023-12-26 | 2024-03-08 | 吉林大学 | 基于人工智能的麻醉深度监测***及方法 |
CN118038890B (zh) * | 2024-04-11 | 2024-06-18 | 西北工业大学 | 基于特征融合和联合神经网络的细粒度水声目标识别方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111358460A (zh) * | 2020-03-03 | 2020-07-03 | 京东方科技集团股份有限公司 | 心律失常的识别方法、装置及电子设备 |
US11195024B1 (en) * | 2020-07-10 | 2021-12-07 | International Business Machines Corporation | Context-aware action recognition by dual attention networks |
CN112137613B (zh) * | 2020-09-01 | 2024-02-02 | 沈阳东软智能医疗科技研究院有限公司 | 异常位置的确定方法、装置、存储介质及电子设备 |
CN112957052B (zh) * | 2021-01-25 | 2023-06-23 | 北京工业大学 | 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 |
CN113080994A (zh) * | 2021-03-30 | 2021-07-09 | 北京芯动卫士科技有限公司 | 一种基于卷积神经网络的多导联心电信号分类方法 |
CN113095302B (zh) * | 2021-05-21 | 2023-06-23 | 中国人民解放军总医院 | 用于心律失常分类的深度模型、利用该模型的方法及装置 |
CN113229825A (zh) * | 2021-06-22 | 2021-08-10 | 郑州大学 | 一种基于深度神经网络的多标签多导联心电图分类方法 |
CN114120030A (zh) * | 2021-11-01 | 2022-03-01 | 中国科学技术大学 | 基于注意力机制的医学图像处理方法及相关设备 |
-
2022
- 2022-03-04 CN CN202210218648.0A patent/CN114711780A/zh active Pending
- 2022-04-26 WO PCT/CN2022/089174 patent/WO2023165005A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023165005A1 (zh) | 2023-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109171712B (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
US10869610B2 (en) | System and method for identifying cardiac arrhythmias with deep neural networks | |
US20220015711A1 (en) | System and method for automated analysis and detection of cardiac arrhythmias from electrocardiograms | |
CN107714023B (zh) | 基于人工智能自学习的静态心电图分析方法和装置 | |
Wang et al. | Arrhythmia classification algorithm based on multi-head self-attention mechanism | |
CN106108889B (zh) | 基于深度学习算法的心电图分类方法 | |
Ellis et al. | A careful look at ECG sampling frequency and R-peak interpolation on short-term measures of heart rate variability | |
US9314177B2 (en) | System and method of detecting abnormal movement of a physical object | |
CN114711780A (zh) | 多导联心电图信号处理方法、装置、设备及存储介质 | |
CN110495872B (zh) | 基于图片及心搏信息的心电分析方法、装置、设备及介质 | |
US20200074281A1 (en) | Computer-readable recording medium, abnormality determination method, and abnormality determination device | |
CN111345814B (zh) | 一种心电信号中心拍的分析方法、装置、设备和存储介质 | |
CN113647959B (zh) | 一种心电波形信号的波形识别方法、装置及设备 | |
CN113128585B (zh) | 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法 | |
CN111528833B (zh) | 一种心电信号的快速识别与处理方法及*** | |
Sathawane et al. | Prediction and analysis of ECG signal behaviour using soft computing | |
CN110179451B (zh) | 心电信号质量检测方法、装置、计算机设备和存储介质 | |
CN110537907A (zh) | 一种基于奇异值分解的心电信号压缩及识别方法 | |
CN115500807A (zh) | 基于小型卷积神经网络的心律失常分类检测方法及*** | |
CN111345815B (zh) | 一种心电信号中qrs波的检测方法、装置、设备和存储介质 | |
Meltzer et al. | A clustering approach to construct multi-scale overcomplete dictionaries for ECG modeling | |
Jovic et al. | Biomedical time series preprocessing and expert-system based feature extraction in MULTISAB platform | |
CN111803062A (zh) | 一种基于深度学习的房颤事件检测方法 | |
Sanamdikar et al. | Using the GAN method, analysis several characteristics of the ECG signal in order to detect cardiac arrhythmia | |
CN114764581B (zh) | 一种基于rr间期空间特征的房颤分类方法、装置及*** |
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 |