CN108511055B - 基于分类器融合及诊断规则的室性早搏识别系统及方法 - Google Patents
基于分类器融合及诊断规则的室性早搏识别系统及方法 Download PDFInfo
- Publication number
- CN108511055B CN108511055B CN201710106859.4A CN201710106859A CN108511055B CN 108511055 B CN108511055 B CN 108511055B CN 201710106859 A CN201710106859 A CN 201710106859A CN 108511055 B CN108511055 B CN 108511055B
- Authority
- CN
- China
- Prior art keywords
- fusion
- pvc
- classification
- data
- module
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000003745 diagnosis Methods 0.000 title abstract description 16
- 208000000418 Premature Cardiac Complexes Diseases 0.000 title description 14
- 230000002861 ventricular Effects 0.000 title description 14
- 208000009729 Ventricular Premature Complexes Diseases 0.000 claims abstract description 105
- 230000001575 pathological effect Effects 0.000 claims abstract description 20
- 206010047289 Ventricular extrasystoles Diseases 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 239000000654 additive Substances 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 238000000718 qrs complex Methods 0.000 claims 4
- 238000011524 similarity measure Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 7
- 201000010099 disease Diseases 0.000 abstract description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 4
- 238000010801 machine learning Methods 0.000 abstract description 2
- 230000035945 sensitivity Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于分类器融合及诊断规则的室性早搏识别系统及方法，所述系统包括：分类单元，包括用以独立处理心电图数据的LCNN分类模块和RNN分类模块，LCNN分类模块包括m个不同结构的第一分类器，至少用以输出m个第一分类结果，RNN分类模块包括n个不同结构的第二分类器，至少用以输出n个第二分类结果；融合单元，用以依据融合决策规则将第一分类结果和第二分类结果进行融合决策得到融合结果；判别单元，用以依据PVC病理特征对融合单元判断出的非PVC数据和PVC数据进行判别，得到PVC识别结果。本发明将LCNN及RNN两种分类器的分类结果进行融合，并融入PVC病理特征，采用机器学习与疾病诊断规则相结合的方法，提升了PVC识别的整体分类性能及准确率。
Description
技术领域
本发明涉及一种室性早搏识别系统，尤其涉及一种基于分类器融合及诊断规则的室性早搏识别系统及识别方法，属于医疗电子技术领域。
背景技术
室性早搏(Premature Ventricular Contraction，以下简称PVC)的计算机辅助诊断具有非常重要的临床意义，它可以使医生从海量的心电图分析中解脱出来，减轻医生工作量，从而提高医生的诊断效率。目前，计算机辅助室性早搏的识别系统主要有两类：一类是采用某种分类器进行识别；另一类是根据PVC所表现出来的病理特征，然后采用规则推理进行判别。前一类通常忽略了医生的诊断思维过程；而后一类虽然考虑了医生的诊断思维过程，但是它需要事先提取PVC的一些特征点，例如R波、QRS波边界点等，而如何准确提取这些特征点也是研究者需要着重考虑的一个问题。
发明内容
本发明的主要目的在于提供一种基于分类器融合及诊断规则的室性早搏识别系统及方法，以克服现有技术中的不足。
为实现前述发明目的，本发明采用的技术方案包括：
本发明实施例提供了一种基于分类器融合及诊断规则的室性早搏识别系统，其包括：
分类单元，包括LCNN分类模块和RNN分类模块，所述LCNN分类模块、RNN分类模块用以独立处理心电图数据，所述LCNN分类模块包括m个不同结构的第一分类器，所述的m个第一分类器至少用以输出m个第一分类结果，所述RNN分类模块包括n个不同结构的第二分类器，所述的n个第二分类器至少用以输出n个第二分类结果，m、n为正整数；
融合单元，用以依据融合决策规则将分类单元输出的m个第一分类结果和n个第二分类结果进行融合决策从而得到融合结果，所述融合结果包括非PVC数据和PVC数据；
以及，判别单元，至少用以依据PVC病理特征对融合单元判断出的非PVC数据和PVC数据进行判别，得到PVC识别结果。
在一些典型实施案例之中，所述第一分类器采用导联卷积神经网络(leadconvolutional neural network，以下简称LCNN)。
在一些典型实施案例之中，所述第二分类器采用递归神经网络(recurrentneural network，以下简称RNN)。
在一些典型实施案例之中，所述室性早搏识别系统还包括：预处理单元，用以对原始心电图(Electrocardiogram，以下简称ECG)信号进行预处理后输入分类单元。
进一步的，所述预处理单元包括滤波器，至少用以去除基线漂移噪声和/或工频干扰噪声。
在一些典型实施案例之中，所述融合单元包括：
第一融合模块，用以依据加法融合决策规则对所述的m个第一分类器输出的m个第一分类结果进行融合决策；
第二融合模块，用以依据加法融合决策规则对所述的n个第二分类器输出的n个第二分类结果进行融合决策；
第三融合模块，用以依据均值融合决策规则将第一融合模块、第二融合模块输出的融合结果进行融合决策从而得到最终的融合结果。
本发明实施例还提供了一种基于分类器融合及诊断规则的室性早搏识别方法，其包括：
采用LCNN分类模块中m个不同结构的第一分类器处理心电图数据以输出m个第一分类结果；
采用RNN分类模块中n个不同结构的第二分类器处理心电图数据以输出n个第二分类结果；
依据融合决策规则将所述输出的m个第一分类结果和n个第二分类结果进行融合决策从而得到融合结果，所述融合结果包括非PVC数据和PVC数据；
依据PVC病理特征对融合单元判断出的非PVC数据和PVC数据进行判别，得到PVC识别结果。
与现有技术相比，本发明的优点包括：
本发明提供的基于分类器融合及诊断规则的室性早搏识别系统及识别方法，充分考虑了LCNN及RNN的各自优势，分别将它们作为集成学习的基分类器，然后将两种分类器的分类结果进行融合，从而获得一个比较好的PVC分类结果；同时还融入了PVC的一些病理特征，采用机器学习与疾病诊断规则相结合的方法，提升了PVC识别的整体分类性能，有效提高了PVC识别的准确率。
附图说明
图1是采用本发明选实施例中的基于分类器融合及诊断规则的室性早搏识别方法对于原始心电图信号进行判别的流程示意图；
图2是典型PVC心电图示意图；
图3是本发明优选实施例中采用PVC的病理特征对EPVC数据进行判别的流程图；
图4是本发明优选实施例中采用PVC的病理特征对Enon-PVC数据进行判别的流程图。
具体实施方式
鉴于现有技术中的不足，本案发明人经长期研究和大量实践，得以提出本发明的技术方案。本发明的发明原理主要是先利用分类器融合方法识别PVC，得到non-PVC类和PVC类，然后再利用PVC的一些病理特征分别对分类器融合后预测出来的non-PVC类和PVC类作再一次的判断，以此来提高PVC识别的准确率。如下将对该技术方案、其实施过程及原理等作进一步的解释说明。
本发明实施例的一个方面提供了一种基于分类器融合及诊断规则的室性早搏识别系统，其包括：
分类单元，包括LCNN分类模块和RNN分类模块，所述LCNN分类模块、RNN分类模块用以独立处理心电图数据，所述LCNN分类模块包括m个不同结构的第一分类器，所述的m个第一分类器至少用以输出m个第一分类结果，所述RNN分类模块包括n个不同结构的第二分类器，所述的n个第二分类器至少用以输出n个第二分类结果，m、n为正整数；
融合单元，用以依据融合决策规则将分类单元输出的m个第一分类结果和n个第二分类结果进行融合决策从而得到融合结果，所述融合结果包括非PVC数据和PVC数据；
以及，判别单元，至少用以依据PVC病理特征对融合单元判断出的非PVC数据和PVC数据进行判别，得到PVC识别结果。
在一些典型实施案例之中，所述第一分类器采用导联卷积神经网络。
在一些典型实施案例之中，所述第二分类器采用递归神经网络。
在一些典型实施案例之中，所述室性早搏识别系统还包括：预处理单元，用以对原始心电图信号进行预处理后输入分类单元。
进一步的，所述预处理单元包括滤波器，至少用以去噪处理，具体包括去除基线漂移、工频干扰等噪声。
在一些典型实施案例之中，所述融合单元包括：
第一融合模块，用以依据加法融合决策规则对所述的m个第一分类器输出的m个第一分类结果进行融合决策；
第二融合模块，用以依据加法融合决策规则对所述的n个第二分类器输出的n个第二分类结果进行融合决策；
第三融合模块，用以依据均值融合决策规则将第一融合模块、第二融合模块输出的融合结果进行融合决策从而得到最终的融合结果。
在一些典型实施案例之中，所述第一融合模块进行加法融合决策规则采用的公式为：
其中PLCNN-j表示i个第一分类结果的融合结果，i为大于等于2的整数，tmj表示由第m个第一分类结果得到的属于第j类的概率值，j＝0或1，其中0表示非PVC数据，1表示PVC数据。
优选的，所述第二融合模块进行加法融合决策规则采用的公式为：
其中PRNN-j表示g个第二分类结果的融合结果，g为大于等于2的整数，ynj表示由第n个第二分类结果得到的属于第j类的概率值，j＝0或1，其中0表示非PVC数据，1表示PVC数据。
优选的，所述第三融合模块进行均值融合决策规则采用的公式为：
Pj＝(1/2)*(PLCNN-j+PRNN-j)
其中Pj为第一分类器与第二分类器的最终融合结果，j＝0或1，其中0表示非PVC数据，1表示PVC数据，若Pj大于0.5，则所述原始心电图信号为PVC数据，否则所述原始心电图信号为非PVC数据。
本发明在采用PVC诊断规则时所涉及到的心电图特征如QRS波的起止点及R波特征点均已经提取到，对QRS波起止点及R波的提取方法不做限制。
本发明实施例的另一个方面提供了基于分类器融合及诊断规则的室性早搏识别方法，其包括：
采用LCNN分类模块中m个不同结构的第一分类器处理心电图数据以输出m个第一分类结果；
采用RNN分类模块中n个不同结构的第二分类器处理心电图数据以输出n个第二分类结果；
依据融合决策规则将所述输出的m个第一分类结果和n个第二分类结果进行融合决策从而得到融合结果，所述融合结果包括非PVC数据和PVC数据；
依据PVC病理特征对融合单元判断出的非PVC数据和PVC数据进行判别，得到PVC识别结果。
采用本发明的室性早搏识别方法对原始心电图信号进行P判别的过程分三步完成，第一步首先进行去噪预处理，第二步融合分类器LCNN及RNN，第三步分别采用PVC病理特征对分类器融合后预测出来的PVC数据和非PVC数据(记为non-PVC)作再次判断，参见图1所示，具体处理过程为：
1.预处理：
首先，将ECG信号经过滤波器去除基线漂移、工频干扰等噪声。
2.分类器融合
LCNN的局部连接和权值共享机制有效地降低了网络的复杂度，减少了训练参数的数目，其具有很强的鲁棒性和容错能力。而RNN则是一种具有储存记忆功能的深度学习模型，它考虑了样本之间的关联关系，其特点是网络的输出结果不仅依赖于当前的输入，而且与过去的输入也相关联。LCNN与RNN具有均不需要提取手工设计的特征，它们的分类过程是完全自动的，它们的输入均为原始的输入数据，然后经过训练、测试得到最终的分类结果。如图1所示，进行预处理后，ECG信号分别经由m1个LCNN分类器及n2个RNN分类器进行PVC分类，其中这m1个LCNN分类器和n2个RNN分类器的结构均不相同，经过每一个分类器，分别得到m1个分类器的m1个分类结果及n2个分类器的n2个分类结果，事实上每一个分类器输出的是原始概率值，可以根据这个原始概率值来判断该ECG信号是否为PVC。但是为了提升整体的分类性能，本发明首先采用加法融合决策规则分别对m1个分类结果和n2个分类结果进行融合决策，得到两个融合结果，然后再采用均值融合决策规则将上述两个融合结果进行融合决策，从而得到最终的融合结果。为了进一步提升整体分类性能，本发明还采用PVC病理特征分别对分类器融合后判断出来的non-PVC数据和PVC数据作再次判断。
3.PVC诊断规则
PVC心电图的一些特点为：①QRS波宽大畸形，QRS波形态不同于其它形态正常的QRS波；②R波高度明显高于或者低于non-PVC心拍的高度；③出现提早的QRS-T波，RR间期(当前心拍R波到前一心拍R波的距离)小于前面平均RR间期。如图2所示为一条PVC记录的心电图示意图，N表示non-PVC心拍，V表示PVC心拍。因此本发明选择RR间期、QRS波宽度、QRS波幅值、QRS波相似度作为特征参数。
经过分类器融合判别后，预测为non-PVC类和PVC类的数据均需要通过PVC诊断规则作再次判断，将通过分类器融合预测为non-PVC类的数据标记为Enon-PVC，而预测为PVC类的数据标记为EPVC。EPVC类数据和Enon-PVC类数据分别经过图3和图4所示流程图作再一次的判别。其中，QRS波相似度的获得则是通过计算当前QRS波与形态正常的QRS波的相关性系数，将相关性系数作为QRS波的相似性度量。平均QRS波宽度通过计算当前心拍之前的形态正常的QRS波宽度然后取平均值获得。如果ECG记录满足流程图3的条件，则该ECG就有可能为PVC。
值得说明的是：由于本发明为一个二分类问题，可使用特异性(Sp)、灵敏度(Se)、准确率(Acc)及综合指标约登指数γ来度量分类效果的优劣，一般来说约登指数越大，分类系统的整体分类性能越好。二分类的混淆矩阵如下表1所示：
表1混淆矩阵
则各个指标的定义如下所示：
Acc＝(TP+TN)/(TP+TN+FP+FN) (1)
Se＝TP/(TP+FN) (2)
Sp＝TN/(TN+FP) (3)
γ＝Se+Sp-1 (4)
以下通过若干实施例进一步详细说明本发明的技术方案。然而，所选的实施例仅用于说明本发明，而不限制本发明的范围。
实施例1
本实施例所用数据来源于中国心血管疾病数据库(CCDD数据库，http://58.210.56.164/ccdd/)。
(1)为了进行去噪预处理，ECG记录首先经过0.5～40Hz的带通滤波；
(2)采用35840条(含3112条PVC记录)预处理后的ECG记录作为训练样本；并将其它141046条记录(含2148条PVC记录)用于测试。所有训练样本均分别输入到4个LCNN中和6个RNN中进行独立并行训练，其中这4个LCNN是从已训练好的更多LCNN模型中挑选出来的结果较好而且各模型间差异性较大的LCNN模型。类似地，这6个RNN也是从已训练好的更多RNN模型中挑选出来的结果较好而且各模型间差异性较大的RNN模型。经过学习后，测试样本均分别通过这4个LCNN和6个RNN进行独立测试分别得到4个LCNN分类结果及6个RNN分类结果。它们的输出值均为概率值，用tmj表示第m个LCNN分类结果得到的属于第j类的概率值(j＝0,1，其中0表示non-PVC类，1表示PVC类)，ynj表示第n个RNN分类结果得到的属于第j类的概率值。事实上，通过每一个分类器均已经获得关于疾病的一个判断，即如果tmj或者ynj大于0.5，则该样本被判为PVC类，否则为non-PVC类，但是为了提升整体的分类结果，本实施例先不对每一个分类器所得的输出值做判断，而是根据这些输出值分别采用加法融合决策规则将这些分类结果进行融合决策。
首先采用加法融合决策规则对4个LCNN的分类结果进行融合，其公式如下：
其中PLCNN-j表示4个LCNN分类结果的融合结果，tmj表示由第m个LCNN分类结果得到的属于第j类的概率值，j＝0或1，其中0表示非PVC数据，1表示PVC数据；
同理，对6个RNN的分类结果进行融合采用的公式为：
其中PRNN-j表示6个RNN分类结果的融合结果，ynj表示由第n个RNN分类结果得到的属于第j类的概率值，j＝0或1，其中0表示非PVC数据，1表示PVC数据；
再采用均值融合决策规则将两个融合结果PLCNN-j和PRNN-j进行融合，采用公式为：
Pj＝(1/2)*(PLCNN-j+PRNN-j)
其中Pj为LCNN分类器与RNN分类器的最终融合结果，即样本属于第j类的概率，j＝0或1，其中0表示非PVC数据，1表示PVC数据。若Pj大于0.5，则经两种分类器融合后，样本属于1类即PVC数据，否则样本属于0类即non-PVC数据。两种分类器融合决策后得到的结果如下表2所示：
表2分类器融合识别PVC结果
上表混淆矩阵的上部横向表示真实数据，左边纵向表示预测数据。由表2可知，两种分类器融合决策后，获得的灵敏度还比较低，综合指标γ也不是很高。为了进一步提升整体分类性能，因此本案发明人考虑采用PVC的一些病理特征对分类器融合后预测出来的Enon-PVC数据和EPVC数据作再次判断。
(3)从表2可以看出，分类器融合后预测出来的Enon-PVC数据共有135212+458条记录，EPVC数据共有3686+1690条记录。然后采用PVC的一些病理特征分别对EPVC数据和Enon-PVC数据作再次判断，它们的判断流程图如图3和图4所示，判别流程图3-4中所采用参数的取值均根据经验所得。最终，结合LCNN、RNN及PVC诊断规则后，得到的PVC识别结果如下表3所示。
表3PVC最终识别结果
综上所述，采用本实施例的PVC识别系统在CCDD数据库14多万条测试数据中所获得PVC的准确率为98.01％、特异性为98.04％、灵敏度为96.32％。与表2相比较，虽然采用LCNN与RNN相结合的方法得到的准确率较高，但是灵敏度和综合指标还比较低，将LCNN、RNN与PVC的一些基本病理特征相结合后获得的各个指标均有所提升，而且灵敏度和综合指标提升的幅度也比较大，从表3可看出，采用分类器融合及疾病诊断规则提升了PVC识别的整体分类性能。
应当理解，以上所述的仅是本发明的一些实施方式，应当指出，对于本领域的普通技术人员来说，在不脱离本发明的创造构思的前提下，还可以做出其它变形和改进，这些都属于本发明的保护范围。
Claims (8)
1.一种基于分类器融合及诊断规则的室性早搏识别系统，其特征在于包括：
分类单元，包括LCNN分类模块和RNN分类模块，所述LCNN分类模块、RNN分类模块用以独立处理心电图数据，所述LCNN分类模块包括m个不同结构的第一分类器，所述的m个第一分类器至少用以输出m个第一分类结果，所述RNN分类模块包括n个不同结构的第二分类器，所述的n个第二分类器至少用以输出n个第二分类结果，m、n为正整数；
融合单元，用以依据融合决策规则将分类单元输出的m个第一分类结果和n个第二分类结果进行融合决策从而得到融合结果，所述融合结果包括非PVC数据和PVC数据；
所述融合单元包括：
第一融合模块，用以依据加法融合决策规则对所述的m个第一分类器输出的m个第一分类结果进行融合决策；
第二融合模块，用以依据加法融合决策规则对所述的n个第二分类器输出的n个第二分类结果进行融合决策；
第三融合模块，用以依据均值融合决策规则将第一融合模块、第二融合模块输出的融合结果进行融合决策从而得到最终的融合结果；
所述第一融合模块进行加法融合决策规则采用的公式为：
其中
表示i个第一分类结果的融合结果，i为大于等于2的整数，tmj表示由第m个第一分类结果得到的属于第j类的概率值，j=0或1，其中0表示非PVC数据，1表示PVC数据；
所述第二融合模块进行加法融合决策规则采用的公式为：
其中
表示g个第二分类结果的融合结果，g为大于等于2的整数，
表示由第n个第二分类结果得到的属于第j类的概率值，j=0或1，其中0表示非PVC数据，1表示PVC数据；
所述第三融合模块进行均值融合决策规则采用的公式为：
其中Pj为第一分类器与第二分类器的最终融合结果，j=0或1，其中0表示非PVC数据，1表示PVC数据，若Pj大于0.5，则原始心电图信号为PVC数据，否则所述原始心电图信号为非PVC数据；
以及，判别单元，至少用以依据PVC病理特征对融合单元判断出的非PVC数据和PVC数据进行判别，得到PVC识别结果。
2.根据权利要求1所述的室性早搏识别系统，其特征在于：所述第一分类器采用导联卷积神经网络。
3.根据权利要求1所述的室性早搏识别系统，其特征在于：所述第二分类器采用递归神经网络。
4.根据权利要求1所述的室性早搏识别系统，其特征在于还包括：预处理单元，用以对原始心电图信号进行预处理后输入分类单元。
5.根据权利要求4所述的室性早搏识别系统，其特征在于：所述预处理单元包括滤波器，至少用以去除基线漂移噪声和/或工频干扰噪声。
6.根据权利要求1所述的室性早搏识别系统，其特征在于：所述判别单元中进行判别所依据的PVC病理特征均已经提取到，所述PVC病理特征选自RR间期、平均QRS波宽度、QRS波起始和终止点、QRS波幅值、QRS波相似度中的任意一种或两种以上的组合。
7.根据权利要求6所述的室性早搏识别系统，其特征在于：所述QRS波相似度通过计算当前QRS波与形态正常的QRS波的相关性系数获得，并将相关性系数作为QRS波的相似性度量；所述平均QRS波宽度通过计算当前心拍之前的形态正常的QRS波宽度然后取平均值获得。
8.一种基于分类器融合及诊断规则的室性早搏识别方法，其特征在于，所述识别方法基于权利要求1-7中任一项所述的基于分类器融合及诊断规则的室性早搏识别系统而实施，并且，所述识别方法包括：
采用LCNN分类模块中m个不同结构的第一分类器处理心电图数据以输出m个第一分类结果；
采用RNN分类模块中n个不同结构的第二分类器处理心电图数据以输出n个第二分类结果；
依据融合决策规则将所述输出的m个第一分类结果和n个第二分类结果进行融合决策从而得到融合结果，所述融合结果包括非PVC数据和PVC数据；
依据PVC病理特征对融合单元判断出的非PVC数据和PVC数据进行判别，得到PVC识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710106859.4A CN108511055B (zh) | 2017-02-27 | 2017-02-27 | 基于分类器融合及诊断规则的室性早搏识别系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710106859.4A CN108511055B (zh) | 2017-02-27 | 2017-02-27 | 基于分类器融合及诊断规则的室性早搏识别系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108511055A CN108511055A (zh) | 2018-09-07 |
| CN108511055B true CN108511055B (zh) | 2021-10-12 |
Family
ID=63373034
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710106859.4A Active CN108511055B (zh) | 2017-02-27 | 2017-02-27 | 基于分类器融合及诊断规则的室性早搏识别系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108511055B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020061987A1 (zh) * | 2018-09-28 | 2020-04-02 | 深圳大学 | 多导联联合心电图分类方法 |
| CN109350032B (zh) * | 2018-10-16 | 2022-03-18 | 武汉中旗生物医疗电子有限公司 | 一种分类方法、系统、电子设备及存储介质 |
| CN109480824B (zh) * | 2018-12-11 | 2021-10-08 | 武汉中旗生物医疗电子有限公司 | 心电波形数据的处理方法、装置和服务器 |
| CN109949929A (zh) * | 2019-03-19 | 2019-06-28 | 挂号网（杭州）科技有限公司 | 一种基于深度学习大规模病历的辅助诊断系统 |
| CN110037687A (zh) * | 2019-04-09 | 2019-07-23 | 上海数创医疗科技有限公司 | 基于改进卷积神经网络的室性早搏心跳定位方法和装置 |
| CN109907753B (zh) * | 2019-04-23 | 2022-07-26 | 杭州电子科技大学 | 一种多维度ecg信号智能诊断系统 |
| CN110310745B (zh) * | 2019-05-21 | 2021-12-03 | 上海交通大学医学院附属瑞金医院 | 医疗指南和数据驱动相结合的治疗方案推荐系统 |
| CN111329469A (zh) * | 2020-03-05 | 2020-06-26 | 广州天嵌计算机科技有限公司 | 一种心律异常预测方法 |
| CN112971796A (zh) * | 2021-02-09 | 2021-06-18 | 中山大学附属第三医院（中山大学肝脏病医院） | 一种心梗预测装置、系统及存储介质 |
| CN113116300A (zh) * | 2021-03-12 | 2021-07-16 | 复旦大学 | 一种基于模型融合的生理信号分类方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103284702A (zh) * | 2013-06-17 | 2013-09-11 | 中国科学院苏州纳米技术与纳米仿生研究所 | 心电图和脉搏波关系分析及融合分析的方法和装置 |
| CN104367317A (zh) * | 2014-10-15 | 2015-02-25 | 北京理工大学 | 多尺度特征融合的心电图心电信号分类方法 |
| WO2016038585A1 (en) * | 2014-09-12 | 2016-03-17 | Blacktree Fitness Technologies Inc. | Portable devices and methods for measuring nutritional intake |
| CN105530858A (zh) * | 2013-09-16 | 2016-04-27 | 皇家飞利浦有限公司 | 用于估计人员的心血管健康的系统和方法 |
| CN106214145A (zh) * | 2016-07-20 | 2016-12-14 | 杨平 | 一种基于深度学习算法的心电图分类方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9949714B2 (en) * | 2015-07-29 | 2018-04-24 | Htc Corporation | Method, electronic apparatus, and computer readable medium of constructing classifier for disease detection |
-
2017
- 2017-02-27 CN CN201710106859.4A patent/CN108511055B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103284702A (zh) * | 2013-06-17 | 2013-09-11 | 中国科学院苏州纳米技术与纳米仿生研究所 | 心电图和脉搏波关系分析及融合分析的方法和装置 |
| CN105530858A (zh) * | 2013-09-16 | 2016-04-27 | 皇家飞利浦有限公司 | 用于估计人员的心血管健康的系统和方法 |
| WO2016038585A1 (en) * | 2014-09-12 | 2016-03-17 | Blacktree Fitness Technologies Inc. | Portable devices and methods for measuring nutritional intake |
| CN104367317A (zh) * | 2014-10-15 | 2015-02-25 | 北京理工大学 | 多尺度特征融合的心电图心电信号分类方法 |
| CN106214145A (zh) * | 2016-07-20 | 2016-12-14 | 杨平 | 一种基于深度学习算法的心电图分类方法 |
Non-Patent Citations (3)
| Title |
|---|
| 卷积神经网络研究综述;周飞燕等;《计算机学报》;20170122;第40卷;第1229-1251页 * |
| 基于深度神经网络的心电图自动分类方法研究与实现;樊承柱;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170115;正文第27-38页 * |
| 基于集成学习的临床心电图分类算法研究;金林鹏等;《生物医学工程学杂志》;20161031;第33卷(第 ５ 期);第825-833页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108511055A (zh) | 2018-09-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108511055B (zh) | 基于分类器融合及诊断规则的室性早搏识别系统及方法 | |
| CN108714026B (zh) | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 | |
| CN104970789B (zh) | 心电图分类方法及系统 | |
| CN104783782B (zh) | 心电信号自动检测方法及装置 | |
| CN109543526B (zh) | 基于深度差异性特征的真假面瘫识别系统 | |
| CN106725420A (zh) | 室性早搏识别方法及室性早搏识别系统 | |
| CN111759345B (zh) | 基于卷积神经网络的心脏瓣膜异常分析方法、系统和装置 | |
| CN113057648A (zh) | 一种基于复合lstm结构的ecg信号分类方法 | |
| WO2019161611A1 (zh) | 心电信息处理方法和心电工作站 | |
| CN111481192B (zh) | 一种基于改进U-Net的心电信号R波检测方法 | |
| CN104840186A (zh) | 一种充血性心力衰竭患者自主神经功能的评估方法 | |
| CN105550659A (zh) | 基于随机投影的实时心电分类方法 | |
| CN111460953B (zh) | 一种基于对抗域自适应学习的心电信号分类方法 | |
| CN115281688B (zh) | 一种基于多模态深度学习的心脏肥大多标签检测系统 | |
| Rohmantri et al. | Arrhythmia classification using 2D convolutional neural network | |
| KR102632272B1 (ko) | 컨볼루션 인공신경망을 이용한 심방세동과 울혈성 심부전의 분류방법 | |
| CN113095302A (zh) | 用于心律失常分类的深度模型、利用该模型的方法及装置 | |
| CN110693488A (zh) | 心电信号处理系统、方法、电子设备及可读存储介质 | |
| CN113509186B (zh) | 基于深度卷积神经网络的ecg分类系统与方法 | |
| CN113349793A (zh) | 一种基于分层注意力模型的心律失常分类方法 | |
| CN117116477A (zh) | 基于随机森林和XGBoost的前列腺癌患病风险预测模型的构建方法及系统 | |
| CN106503670B (zh) | 基于相关性分析特征选择的j波检测分类方法 | |
| CN105877739A (zh) | 一种心电智能分析系统的临床检验方法 | |
| CN111053552A (zh) | 一种基于深度学习的qrs波检测方法 | |
| CN111643076A (zh) | 一种基于多通道脑电信号的bect棘波智能检测方法 |
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 |