CN110236521A - 用于心电图类型识别的双卷积神经网络 - Google Patents
用于心电图类型识别的双卷积神经网络 Download PDFInfo
- Publication number
- CN110236521A CN110236521A CN201910420709.XA CN201910420709A CN110236521A CN 110236521 A CN110236521 A CN 110236521A CN 201910420709 A CN201910420709 A CN 201910420709A CN 110236521 A CN110236521 A CN 110236521A
- Authority
- CN
- China
- Prior art keywords
- pond
- cnn model
- lead
- electrocardiosignal
- neural networks
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 125
- 239000011159 matrix material Substances 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 42
- 230000005284 excitation Effects 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000012952 Resampling Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000000718 qrs complex Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 206010006578 Bundle-Branch Block Diseases 0.000 description 2
- 206010003119 arrhythmia Diseases 0.000 description 2
- 230000006793 arrhythmia Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010003671 Atrioventricular Block Diseases 0.000 description 1
- 206010006580 Bundle branch block left Diseases 0.000 description 1
- 206010006582 Bundle branch block right Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000002837 heart atrium Anatomy 0.000 description 1
- 210000005246 left atrium Anatomy 0.000 description 1
- 201000001715 left bundle branch hemiblock Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000004213 regulation of atrial cardiomyocyte membrane depolarization Effects 0.000 description 1
- 210000005245 right atrium Anatomy 0.000 description 1
- 201000007916 right bundle branch block Diseases 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 210000001013 sinoatrial node Anatomy 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
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
-
- 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
- A61B5/7203—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
- A61B5/7235—Details of waveform analysis
-
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Fuzzy Systems (AREA)
- Cardiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请涉及一种用于心电图类型识别的双卷积神经网络，包括与多导联心电图心电信号的导联数量相同的第一CNN模型和第二CNN模型，所述第一CNN模型的输入值为以长度为a+b秒、步长为0.01‑0.05秒为窗口将每一条导联的心电信号截取成的信号片段，输出结果为第一连续值：[X1,X2]；所述第二CNN模型的输入值为以同一心电信号的不同导联的信号片段分别输入到进行训练的第一CNN模型中得到的输出值形成的矩阵，输出结果为第二连续值：[Y1,Y2]。本申请考虑到多导联心电信号，并以第一CNN模型和第二CNN模型的相互承接关系，由第二CNN模型的最终输出结果就可以得到心电图类型，具有准确性高的优点。
Description
技术领域
本申请属于心电图处理技术领域，尤其是涉及一种用于心电图类型识别的双卷积神经网络。
背景技术
心电图是由一系列的波组所构成，每个波组代表着每一个心动周期。一个波组包括P波、QRS波群、T波及U波，如图1所示。看其中每个波所代表的意义为：
(1)P波：心脏的激动发源于窦房结，然后传导到达心房。P波由心房除极所产生，是每一波组中的第一波，它反映了左、右心房的除极过程。前半部分代表右房，后半部分代表左房。
(2)QRS波群：典型的QRS波群包括三个紧密相连的波，第一个向下的波称为Q波，继Q波后的一个高尖的直立波称为R波，R波后向下的波称为S波。
(3)T波：T波位于S-T段之后，是一个比较低而占时较长的波，它是心室复极所产生的。
(4)U波：U波位于T波之后，比较低小，其发生机理未完全明确。一般认为是心肌激动的“激后电位”。
中国专利文献CN108416277A公开了一种心电监测方法，包括以下方法：接收心电监测设备发送的实时采集的心电信号；对所述心电信号进行滤波和去噪处理后，检测所述心电信号的R波，并根据所述R波提取QRS波群；将所述QRS波群输入预先训练好的的神经网络模型中进行识别；当识别出所述QRS波群失常时，则对该失常的QRS波群进行分类，得到该失常的QRS波群对应的心律失常类型；根据所述心律失常类型生成心电监测报告，输出所述心电监测报告并触发警报。
然而该文献中依据QRS波群对心电图信号进行失常类型的识别，没有考虑多导联心电信号的各个导联心电信号的影响。
发明内容
本发明要解决的技术问题是：为解决现有技术中的不足，从而提供一种识别准确率高的用于心电图类型识别的双卷积神经网络。
本发明解决其技术问题所采用的技术方案是：
本发明提供一种用于心电图类型识别的双卷积神经网络，包括与多导联心电图心电信号的导联数量相同的第一CNN模型和第二CNN模型：
所述第一CNN模型的输入值为以长度为a+b秒、步长为0.01-0.05秒为窗口将每一条导联的心电信号截取成的信号片段，输出结果为第一连续值：[X1,X2]；
所述第二CNN模型的输入值为以同一心电信号的不同导联的信号片段分别输入到进行训练的第一CNN模型中得到的输出值形成的矩阵，输出结果为第二连续值：[Y1,Y2]。
优选地，本发明的基于双卷积神经网络的心电图类型识别方法，
第一CNN模型的训练方法包括以下步骤：
S21：将已知为正常心拍和异常心拍的多导联心电图中的每一条导联的心电信号截取成信号片段，截取的信号片段以R波波峰前a秒为起始点、以R波波峰位置后b秒为终点，得到的心电信号片段；
S22：将截取后的信号片段按照导联作为输入，标记正常心拍为X1和异常心拍为X2，并将X1和X2分别作为输出结果对第一CNN模型进行训练，得到与多导联心电图的导联数量相同的第一CNN模型，第一CNN模型的输出被设定为[X1,X2]。
优选地，本发明的用于心电图类型识别的双卷积神经网络，
a值为大于或等于0.3秒，b值为大于或等于0.4秒，a+b值为0.7s-1.2秒。
优选地，本发明的用于心电图类型识别的双卷积神经网络，
所述步长为0.02秒。
优选地，本发明的用于心电图类型识别的双卷积神经网络，
所述第一CNN模型具有Layer1～Layer12共12个网格层；
Layer1为卷积层，滤波器数量为12，卷积层核大小为，步长为1，激励函数为LeakyReLU；
Layer2为池化层，池化窗大小为2，池化方法为平均池化；
Layer3为卷积层，滤波器数量为18，卷积层核大小为(21,12)，步长为1，激励函数为LeakyReLU；
Layer4为池化层，池化窗大小为2，池化方法为平均池化；
Layer5为卷积层，滤波器数量为12，卷积层核大小为(12,18)，步长为1，激励函数为LeakyReLU；
Layer6为池化层，池化窗大小为2，池化方法为平均池化；
Layer7为卷积层，滤波器数量为5，卷积层核大小为(5,12)，步长为1，激励函数为LeakyReLU；
Layer8为池化层，池化窗大小为2，池化方法为平均池化；
Layer9为卷积层，滤波器数量为5，卷积层核大小为(2,5)，步长为1，激励函数为LeakyReLU；
Layer10为池化层，池化窗大小为2，池化方法为平均池化；
Layer11为全连接层，神经元个数为10个，激励函数为线性激励函数；
Layer12为全连接层，神经元个数为1个，激励函数为sigmoid函数。
优选地，本发明的用于心电图类型识别的双卷积神经网络，第二CNN模型的训练方法包括以下步骤：
S31：将已知为正常心拍和异常心拍的多导联心电图中的每一条导联的心电信号以R波波峰前a秒为起始点、以R波波峰位置后b秒为终点将每一条导联的心电信号截取成信号片段，将信号片段输入到训练好的相应导联的第一CNN模型中，获取第一CNN模型的输出结果；
S32：将多导联心电图中每条导联的第一CNN模型的输出结果按照顺序合并为矩阵，将矩阵作为输入，将正常心拍标记为Y1和异常心拍标记为Y2作为输出对第二CNN模型进行训练，第二CNN模型的输出被设定为[Y1,Y2]。
优选地，本发明的用于心电图类型识别的双卷积神经网络，
第二CNN模型具有Layer1～Layer8共8个网格层；
Layer1为卷积层，滤波器数量为10，卷积层核大小为(61,12)，步长为1，激励函数为ReLU；
Layer2为池化层，池化窗大小为2，池化方法为最大化池化；
Layer3为卷积层，滤波器数量为8，卷积层核大小为(41,10)，步长为1，激励函数为ReLU；
Layer4为池化层，池化窗大小为2，池化方法为最大化池化；
Layer5为卷积层，滤波器数量为3，卷积层核大小为(21,8)，步长为1，激励函数为ReLU；
Layer6为池化层，池化窗大小为2，池化方法为最大化池化；
Layer7为全连接层，神经元个数为10个，激励函数为线性激励函数；
Layer8为全连接层，神经元个数为1个，激励函数为sigmoid函数。
优选地，本发明的基于双卷积神经网络的心电图类型识别方法，训练第一CNN模型和训练第二CNN模型时采用的心电数据，均对心电数据采用具有上下截止频率的fir滤波器进行滤波，并将心电信号重采样为特定频率。
优选地，本发明的基于双卷积神经网络的心电图类型识别方法，fir滤波器的上下截止频率分别为0.5Hz、500Hz。
优选地，本发明的基于双卷积神经网络的心电图类型识别方法，特定频率为500Hz。
本发明的有益效果是：
本申请的用于心电图类型识别的双卷积神经网络，包括与多导联心电图心电信号的导联数量相同的第一CNN模型和第二CNN模型，所述第一CNN模型的输入值为以长度为a+b秒、步长为0.01-0.05秒为窗口将每一条导联的心电信号截取成的信号片段，输出结果为一连续值：[X1,X2]；所述第二CNN模型的输入值为以同一心电信号的不同导联的信号片段分别输入到进行训练的第一CNN模型中得到的输出值形成的矩阵，输出结果为一连续值：[Y1,Y2]。本申请考虑到多导联心电信号，并以第一CNN模型和第二CNN模型的相互承接关系，由第二CNN模型的最终输出结果就可以得到心电图类型，具有准确性高的优点。
附图说明
下面结合附图和实施例对本申请的技术方案进一步说明。
图1是心电图中一个波组中的结构图；
图2是本申请实施例的第一CNN模型的结构示意图；
图3是本申请实施例的第二CNN模型的结构示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明创造的描述中，除非另有说明，“多个”的含义是两个或两个以上。
下面将参考附图并结合实施例来详细说明本申请的技术方案。
实施例
本实施例提供一种用于心电图类型识别的双卷积神经网络，包括与多导联心电图心电信号的导联数量相同的第一CNN模型和第二CNN模型：
所述第一CNN模型的输入值为以长度为a+b秒、步长为0.01-0.05秒为窗口将每一条导联的心电信号截取成的信号片段，输出结果为第一连续值：[X1,X2]；
所述第二CNN模型的输入值为以同一心电信号的不同导联的信号片段分别输入到进行训练的第一CNN模型中得到的输出值形成的矩阵，输出结果为第二连续值：[Y1,Y2]。
第一CNN模型的训练方法包括以下步骤：
S21：将已知为正常心拍和异常心拍的多导联心电图中的每一条导联的心电信号截取成信号片段，截取的信号片段以R波波峰前a秒为起始点、以R波波峰位置后b秒为终点，a值优选为大于或等于0.3秒(保证能够尽量覆盖到P波)，b值优选为大于或等于0.4秒(保证能够尽量覆盖到T波)，得到的心电信号片段，a值和b值与步骤1中的保持一致即可，正常心拍和异常心拍的总数量分别不少于10万条，且正常心拍和异常心拍的总数量之间的数量差小于10％；每一条导联的心电信号被获取后还可对心电数据进行预处理，对心电数据采用上下截止频率分别为0.5Hz、500Hz的fir滤波器进行滤波，如果心电信号采样频率不是500Hz时，则采用最邻近内插法将心电信号重采样为500Hz；
S22：将截取后的信号片段按照导联作为输入，标记正常心拍为X1(X1：可设定为0)和异常心拍为X2(X2：可设定为1)，并将X1和X2分别作为输出结果对第一CNN模型进行训练，得到与多导联心电图的导联数量相同的第一CNN模型，第一CNN模型的输出被设定为[X1,X2]([0，1])；
比如采用12导联心电图，就将12个导联的数据分别输入第一CNN模型训练出12个第一CNN模型，(可以按照12导联心电图的12个导联的名称分别命名为beatCNN_I、beatCNN_II、beatCNN_III、beatCNN_AVF、beatCNN_AVR、beatCNN_AVL、beatCNN_V1、beatCNN_V2、beatCNN_V3、beatCNN_V4、beatCNN_V5、beatCNN_V6)。
表1第一CNN模型各网格层如下表所示：
S3步骤中第二CNN模型的训练方法包括以下步骤：
S31：将已知为正常心拍和异常心拍的多导联心电图中的每一条导联的心电信号以R波波峰前a秒为起始点、以R波波峰位置后b秒为终点将每一条导联的心电信号截取成信号片段，将信号片段输入到训练好的相应导联的第一CNN模型中，获取第一CNN模型的输出结果，正常心拍和异常心拍的多导联心电图分别包括一万条以上；
S32：将多导联心电图中每条导联的第一CNN模型的输出结果按照顺序合并为矩阵，将矩阵作为输入，将正常心拍标记为Y1(Y1：可设定为0)和异常心拍标记为Y2(Y2：可设定为1)作为输出对第二CNN模型进行训练，第二CNN模型的输出被设定为[Y1,Y2]([0，1])；
表2第二CNN模型各网格层如下表所示：
本实施例中，将多导联心电图心电信号以R波波峰前a秒为起始点、以R波波峰位置后b秒为终点将每一条导联的心电信号截取成信号片段，直接对信号片段进行操作，针对性强，识别效率更高。之后按照导联的类型，将信号片段分别输入经过训练的相应导联的第一CNN模型中，得到第一CNN模型的输出结果，并将该结果形成矩阵，输入到第二CNN模型中，通过第二CNN模型的最终输出结果就可以得到心电图类型，具有准确性高的优点。
进行训练时，每一条导联的心电信号被获取后还可对心电数据进行预处理，对心电数据采用上下截止频率分别为0.5Hz、500Hz的fir滤波器进行滤波，如果心电信号采样频率不是500Hz时，则采用最邻近内插法将心电信号重采样为500Hz；
异常心拍包括房早心拍、室早心拍、房室交界性早搏心拍等异位激动产生的心拍，和ST段抬高或压低、STT改变、或者Q波坏死等形态改变类的异常心拍，以及房室传导阻滞、左右束支阻滞等由于阻滞导致的异常心拍。
其中，第一CNN模型和第二CNN模型中所使用的训练算法可以采用现有的任意训练算法均可。训练算法可以为：随机梯度下降算法、Adam算法、RMSProp算法、Adagrad算法、Adadelta算法、Adamax算法等。
本实施例的用于心电图类型识别的双卷积神经网络，使用时，将一多导联心电图心电信号，以长度为a+b秒，步长为0.01-0.05秒为窗口将每一条导联的心电信号截取成信号片段；将信号片段按照导联的类型分别输入经过训练的相应导联的第一CNN模型中；比如采用12导联心电图，就将12个导联的数据分别输入第一CNN模型训练出12个第一CNN模型，(可以按照12导联心电图的12个导联的名称分别命名为beatCNN_I、beatCNN_II、beatCNN_III、beatCNN_AVF、beatCNN_AVR、beatCNN_AVL、beatCNN_V1、beatCNN_V2、beatCNN_V3、beatCNN_V4、beatCNN_V5、beatCNN_V6)，识别时，12导联心电图心电信号按照不同的导联的心电信号截取成12组信号片段，将12组信号片段分别导入相应的第一CNN模型中，12个第一CNN模型的输出按顺序排列形成一个具有12个数据的矩阵(每个第一CNN模型的输出均大于等于X1小于等于X2)，将矩阵输入到第二CNN模型中；
第二CNN模型的输出结果决定心电信号的类型，若输出结果大于等于(Y1+Y2)/2时，认为多导联心电图心电信号为异常心电信号，否则则为正常心电信号。
本实施例的用于心电图类型识别的双卷积神经网络，包括与多导联心电图心电信号的导联数量相同的第一CNN模型和第二CNN模型，所述第一CNN模型的输入值为以长度为a+b秒、步长为0.01-0.05秒为窗口将每一条导联的心电信号截取成的信号片段，输出结果为一连续值：[X1,X2]；所述第二CNN模型的输入值为以同一心电信号的不同导联的信号片段分别输入到进行训练的第一CNN模型中得到的输出值形成的矩阵，输出结果为一连续值：[Y1,Y2]。本申请考虑到多导联心电信号，并以第一CNN模型和第二CNN模型的相互承接关系，由第二CNN模型的最终输出结果就可以得到心电图类型，具有准确性高的优点。
以上述依据本申请的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项申请技术思想的范围内，进行多样的变更以及修改。本项申请的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (10)
1.一种用于心电图类型识别的双卷积神经网络，其特征在于，包括与多导联心电图心电信号的导联数量相同的第一CNN模型和第二CNN模型：
所述第一CNN模型的输入值为以长度为a+b秒、步长为0.01-0.05秒为窗口将每一条导联的心电信号截取成的信号片段，输出结果为第一连续值：[X1,X2]；
所述第二CNN模型的输入值为以同一心电信号的不同导联的信号片段分别输入到进行训练的第一CNN模型中得到的输出值形成的矩阵，输出结果为第二连续值：[Y1,Y2]。
2.根据权利要求1所述的基于双卷积神经网络的心电图类型识别方法，其特征在于，
第一CNN模型的训练方法包括以下步骤：
S21：将已知为正常心拍和异常心拍的多导联心电图中的每一条导联的心电信号截取成信号片段，截取的信号片段以R波波峰前a秒为起始点、以R波波峰位置后b秒为终点，得到的心电信号片段；
S22：将截取后的信号片段按照导联作为输入，标记正常心拍为X1和异常心拍为X2，并将X1和X2分别作为输出结果对第一CNN模型进行训练，得到与多导联心电图的导联数量相同的第一CNN模型，第一CNN模型的输出被设定为[X1,X2]。
3.根据权利要求2所述的用于心电图类型识别的双卷积神经网络，其特征在于，
a值为大于或等于0.3秒，b值为大于或等于0.4秒，a+b值为0.7s-1.2秒。
4.根据权利要求3所述的用于心电图类型识别的双卷积神经网络，其特征在于，
所述步长为0.02秒。
5.根据权利要求2-4任一项所述的用于心电图类型识别的双卷积神经网络，其特征在于，
所述第一CNN模型具有Layer1～Layer12共12个网格层；
Layer1为卷积层，滤波器数量为12，卷积层核大小为(29,1)，步长为1，激励函数为LeakyReLU；
Layer2为池化层，池化窗大小为2，池化方法为平均池化；
Layer3为卷积层，滤波器数量为18，卷积层核大小为(21,12)，步长为1，激励函数为LeakyReLU；
Layer4为池化层，池化窗大小为2，池化方法为平均池化；
Layer5为卷积层，滤波器数量为12，卷积层核大小为(12,18)，步长为1，激励函数为LeakyReLU；
Layer6为池化层，池化窗大小为2，池化方法为平均池化；
Layer7为卷积层，滤波器数量为5，卷积层核大小为(5,12)，步长为1，激励函数为LeakyReLU；
Layer8为池化层，池化窗大小为2，池化方法为平均池化；
Layer9为卷积层，滤波器数量为5，卷积层核大小为(2,5)，步长为1，激励函数为LeakyReLU；
Layer10为池化层，池化窗大小为2，池化方法为平均池化；
Layer11为全连接层，神经元个数为10个，激励函数为线性激励函数；
Layer12为全连接层，神经元个数为1个，激励函数为sigmoid函数。
6.根据权利要求1-5任一项所述的用于心电图类型识别的双卷积神经网络，其特征在于，第二CNN模型的训练方法包括以下步骤：
S31：将已知为正常心拍和异常心拍的多导联心电图中的每一条导联的心电信号以R波波峰前a秒为起始点、以R波波峰位置后b秒为终点将每一条导联的心电信号截取成信号片段，将信号片段输入到训练好的相应导联的第一CNN模型中，获取第一CNN模型的输出结果；
S32：将多导联心电图中每条导联的第一CNN模型的输出结果按照顺序合并为矩阵，将矩阵作为输入，将正常心拍标记为Y1和异常心拍标记为Y2作为输出对第二CNN模型进行训练，第二CNN模型的输出被设定为[Y1,Y2]。
7.根据权利要求6所述的用于心电图类型识别的双卷积神经网络，其特征在于，
第二CNN模型具有Layer1～Layer8共8个网格层；
Layer1为卷积层，滤波器数量为10，卷积层核大小为(61,12)，步长为1，激励函数为ReLU；
Layer2为池化层，池化窗大小为2，池化方法为最大化池化；
Layer3为卷积层，滤波器数量为8，卷积层核大小为(41,10)，步长为1，激励函数为ReLU；
Layer4为池化层，池化窗大小为2，池化方法为最大化池化；
Layer5为卷积层，滤波器数量为3，卷积层核大小为(21,8)，步长为1，激励函数为ReLU；
Layer6为池化层，池化窗大小为2，池化方法为最大化池化；
Layer7为全连接层，神经元个数为10个，激励函数为线性激励函数；
Layer8为全连接层，神经元个数为1个，激励函数为sigmoid函数。
8.根据权利要求1-6任一项所述的基于双卷积神经网络的心电图类型识别方法，其特征在于，训练第一CNN模型和训练第二CNN模型时采用的心电数据，均对心电数据采用具有上下截止频率的fir滤波器进行滤波，并将心电信号重采样为特定频率。
9.根据权利要求8所述的基于双卷积神经网络的心电图类型识别方法，其特征在于，fir滤波器的上下截止频率分别为0.5Hz、500Hz。
10.根据权利要求8所述的基于双卷积神经网络的心电图类型识别方法，其特征在于，特定频率为500Hz。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910420709.XA CN110236521A (zh) | 2019-05-20 | 2019-05-20 | 用于心电图类型识别的双卷积神经网络 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910420709.XA CN110236521A (zh) | 2019-05-20 | 2019-05-20 | 用于心电图类型识别的双卷积神经网络 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110236521A true CN110236521A (zh) | 2019-09-17 |
Family
ID=67884463
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910420709.XA Pending CN110236521A (zh) | 2019-05-20 | 2019-05-20 | 用于心电图类型识别的双卷积神经网络 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110236521A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111345817A (zh) * | 2020-02-25 | 2020-06-30 | 广州视源电子科技股份有限公司 | Qrs波群位置确定方法、装置、设备及存储介质 |
| CN117853402A (zh) * | 2023-11-27 | 2024-04-09 | 中国水产科学研究院东海水产研究所 | 基于计算机视觉的南极磷虾粉中虾青素含量测定方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017072250A1 (en) * | 2015-10-27 | 2017-05-04 | CardioLogs Technologies | An automatic method to delineate or categorize an electrocardiogram |
| CN106901723A (zh) * | 2017-04-20 | 2017-06-30 | 济南浪潮高新科技投资发展有限公司 | 一种心电图异常自动诊断方法 |
| CN107981858A (zh) * | 2017-11-27 | 2018-05-04 | 乐普（北京）医疗器械股份有限公司 | 基于人工智能的心电图心搏自动识别分类方法 |
| CN108720831A (zh) * | 2018-05-12 | 2018-11-02 | 鲁东大学 | 一种基于导联深度神经网络的自动心律失常分析方法 |
| CN109063552A (zh) * | 2018-06-22 | 2018-12-21 | 深圳大学 | 一种多导联心电信号分类方法和系统 |
-
2019
- 2019-05-20 CN CN201910420709.XA patent/CN110236521A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017072250A1 (en) * | 2015-10-27 | 2017-05-04 | CardioLogs Technologies | An automatic method to delineate or categorize an electrocardiogram |
| CN106901723A (zh) * | 2017-04-20 | 2017-06-30 | 济南浪潮高新科技投资发展有限公司 | 一种心电图异常自动诊断方法 |
| CN107981858A (zh) * | 2017-11-27 | 2018-05-04 | 乐普（北京）医疗器械股份有限公司 | 基于人工智能的心电图心搏自动识别分类方法 |
| CN108720831A (zh) * | 2018-05-12 | 2018-11-02 | 鲁东大学 | 一种基于导联深度神经网络的自动心律失常分析方法 |
| CN109063552A (zh) * | 2018-06-22 | 2018-12-21 | 深圳大学 | 一种多导联心电信号分类方法和系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111345817A (zh) * | 2020-02-25 | 2020-06-30 | 广州视源电子科技股份有限公司 | Qrs波群位置确定方法、装置、设备及存储介质 |
| CN111345817B (zh) * | 2020-02-25 | 2023-04-07 | 广州视源电子科技股份有限公司 | Qrs波群位置确定方法、装置、设备及存储介质 |
| CN117853402A (zh) * | 2023-11-27 | 2024-04-09 | 中国水产科学研究院东海水产研究所 | 基于计算机视觉的南极磷虾粉中虾青素含量测定方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110236520A (zh) | 基于双卷积神经网络的心电图类型识别方法和装置 | |
| CN110717415B (zh) | 基于特征选取的st段分类卷积神经网络及其使用方法 | |
| CN105496402B (zh) | 基于散点图和符号动力学的心电特征分析方法 | |
| CN110046604B (zh) | 一种基于残差网络的单导联ecg心律失常检测分类方法 | |
| JP2022523741A (ja) | 描写および分類のための心電図処理システム | |
| CN103690156B (zh) | 一种心率获取方法及心电信号的处理方法 | |
| CN110717416B (zh) | 基于特征选取的st段分类识别用神经网络训练方法 | |
| EP4092570A1 (en) | Heartbeat classification method for multi-tag ecg signal labeling, and device | |
| WO2020006939A1 (zh) | 基于生成式对抗网络的心电图生成及分类方法 | |
| CN109864736A (zh) | 心电信号的处理方法、装置、终端设备及介质 | |
| CN104523264B (zh) | 一种心电信号处理方法 | |
| CN106725428A (zh) | 一种心电信号分类方法及装置 | |
| CN109063552A (zh) | 一种多导联心电信号分类方法和系统 | |
| CN108836302A (zh) | 基于深度神经网络的心电图智能分析方法及系统 | |
| CN109077714B (zh) | 信号识别方法、装置、设备和存储介质 | |
| CN107616791A (zh) | 基于自适应心电信号区域分割的标准12导联心电分段线性重建方法 | |
| CN109077720B (zh) | 信号处理方法、装置、设备和存储介质 | |
| CN110236521A (zh) | 用于心电图类型识别的双卷积神经网络 | |
| CN109124620A (zh) | 一种房颤检测方法、装置及设备 | |
| CN110638430A (zh) | 多任务级联神经网络ecg信号心律失常疾病分类模型和方法 | |
| KR20210044163A (ko) | Qrs 복합체 형태 특징을 기반으로 하여 머신 러닝을 통한 심실세동 예측방법 | |
| CN110037682A (zh) | 基于改进卷积神经网络的识别心律类型的方法 | |
| CN110037683B (zh) | 用于识别心律类型的改进卷积神经网络及其训练方法 | |
| CN110037691B (zh) | 用于r波定位的改进卷积神经网络 | |
| CN110037687A (zh) | 基于改进卷积神经网络的室性早搏心跳定位方法和装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190917 |
|
| RJ01 | Rejection of invention patent application after publication |