CN112568908A - 采用多尺度视野深度学习的心电波形定位加分类模型装置 - Google Patents
采用多尺度视野深度学习的心电波形定位加分类模型装置 Download PDFInfo
- Publication number
- CN112568908A CN112568908A CN202011471503.9A CN202011471503A CN112568908A CN 112568908 A CN112568908 A CN 112568908A CN 202011471503 A CN202011471503 A CN 202011471503A CN 112568908 A CN112568908 A CN 112568908A
- Authority
- CN
- China
- Prior art keywords
- branch
- layer
- classification
- output
- layers
- 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
- A61B5/72—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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请针对心电图多变的特征，提出了一个多尺度的深度网络模型学习到多尺度的特征，对多尺度特征进行融合，根据融合特征很好检测到位置特征，能够一次输出波形位置和波形类别。
Description
技术领域
本申请属于心电信号处理技术领域，尤其是涉及一种采用多尺度视野深度学习的心电波形定位加分类模型装置。
背景技术
在心电领域有些对于室早房早的诊断流程是先定位所有心跳波，然后对每个心跳进行分类，基于心跳分类和统计结果给出房早偶发，房早频发和二联律等诊断结论。由于波形数量众多，人的记忆力限制，对医生来说这是一个在诊断中最容易遗漏和误判的部分。
目前心电诊断的深度学习主要应用是分类算法，输入一段心电图，给出一个疾病分类的结论。然后再通过模式识别方法识别出R波，然后判断波形类别，不能直接将诊断结论直接映射波形定位上，步骤复杂。其二由于心电图的心率快慢、波幅大小各不相同，对于标准心电图可以大体定位，而对于多变的心电图定位错误发生率很高，鲁棒性差。
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，从而提供一种定位准确、鲁棒性高的采用多尺度视野深度学习的心电波形定位加分类模型装置。
本发明解决其技术问题所采用的技术方案是：
一种采用多尺度视野深度学习的心电波形定位加分类模型装置，包括：
残差网络模块，用于接收心电信号图的输入并输出心电信号图特征信息；
多尺度聚合模块，包括一池化层、若干分支和concat特征融合层，每个分支包括不同步长的自适应池化层和卷积层，每个分支均能输出同样长度的特征变量，并经由concat特征融合层进行特征融合；
分类模块，接收concat特征融合层的输出并进行分类，包括卷积层、批归一化层、Dropout层和分类层；
输出模块，接收分类层的输出并输出表示分类结果的数值；
心电波形定位加分类模型装置由以下训练方法训练得到：
收集心电信号图若干个，并按照心电信号类型进行标记形成训练集，心电信号类型的标记位置为R波顶点左右0.02s内的所有点。
优选地，本发明的采用多尺度视野深度学习的心电波形定位加分类模型装置，多尺度定位分类模块中的分支数量为4。
优选地，本发明的采用多尺度视野深度学习的心电波形定位加分类模型装置，多尺度定位分类模块中池化层的步长为2，每个分支中均包括一自适应池化层和一卷积层，各分支的自适应池化层的步长分别为1、3、5、7。
优选地，本发明的采用多尺度视野深度学习的心电波形定位加分类模型装置，训练时，设定不同数量的分支以及不同的自适应池化层的步长的组合，并筛选出其中准确率最大的作为心电波形定位加分类模型装置的设置。
优选地，本发明的采用多尺度视野深度学习的心电波形定位加分类模型装置，心电信号类型包括左心室肥大、房性早搏和正常心跳。
优选地，本发明的采用多尺度视野深度学习的心电波形定位加分类模型装置，训练时的损失函数采用softmax_with_cross_entropy。
优选地，本发明的采用多尺度视野深度学习的心电波形定位加分类模型装置，训练算法采用Adam算法。
本发明还提供一种采用多尺度视野深度学习的心电波形定位加分类模型装置，包括：
残差网络模块，用于接收心电信号图的输入并输出心电信号图特征信息；
多尺度聚合模块，包括三个池化层、4个分支和3个concat特征融合层，4个分支包括不同步长的自适应池化层和卷积层，每个分支均能输出同样长度的特征变量，三个池化层的步长分别为2、4和6，其中步长为2的池化层的输出连接到第一分支、第二分支和第三分支的自适应池化层中，步长为4的池化层的输出连接到第一分支、第二分支、第三分支和第四分支的自适应池化层中，步长为6的池化层的输出连接到第一分支、第三分支和第四分支的自适应池化层中，3个concat特征融合层分别对第一分支、第二分支和第三分支的卷积层，第一分支、第二分支、第三分支和第四分支的卷积层以及第一分支、第二分支和第四分支的卷积层进行特征融合；
三个分类模块，分别接收3个concat特征融合层的输出并进行分类，包括卷积层、批归一化层、Dropout层和分类层；
三个输出模块，分别接收三个分类模块中分类层的输出并输出表示分类结果的数值；
判断模块，当三个分类模块中输出所表示的分类结果一致时，将该分类结果作为心电信号的心电类型；
心电波形定位加分类模型装置由以下训练方法训练得到：
收集心电信号图若干个，并按照心电信号类型进行标记形成训练集，心电信号类型的标记位置为R波顶点左右0.02s内的所有点。
本发明的有益效果是：
本申请实施例针对心电图多变的特征，提出了一个多尺度的深度网络模型学习到多尺度的特征，对多尺度特征进行融合，根据融合特征很好检测到位置特征，能够一次输出波形位置和波形类别。
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是本申请实施例的心电波形定位加分类模型装置的结构示意图；
图2是本申请实施例的多尺度聚合模块的结构示意图；
图3是本申请实施例的分类模块的结构示意图；
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。
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1
本实施例提供一种采用多尺度视野深度学习的心电波形定位加分类模型装置，如图1所示，包括：
--残差网络模块(ResNet网络)，用于接收心电信号图的输入并输出心电信号图特征信息；经过ResNet网络后可以获得(BatchSize,2048,626,1)的结构；
--多尺度聚合模块，如图2所示，包括一池化层、若干分支和concat特征融合层，每个分支包括不同步长的自适应池化层和卷积层，每个分支均能输出同样长度的特征变量，并经由concat特征融合层进行特征融合；比如多尺度定位分类模块中的分支数量为4。池化层的步长为2，每个分支中均包括一自适应池化层和一卷积层，各分支的自适应池化层的步长分别为1、3、5、7。
也即对池化层(步长为2)进行下采样。输入到下面不同视野的四个分支中。
多尺度聚合模块第一个分支为自适应池化层(步长为1)+Channel数量为512，FilterSize为1的Conv+上采样到5000。
第二个分支为自适应池化层(步长为3)+Channel数量为512，FilterSize为1的Conv+上采样到5000。
第三个分支为自适应池化层(步长为5)+Channel数量为512，FilterSize为1的Conv+上采样到5000。
第四个分支为自适应池化层(步长为7)+Channel数量为512，FilterSize为1的Conv+上采样到5000。
融合后输出了(BatchSize,4096,5000,1)的特征变量。
--分类模块，如图3所示，接收concat特征融合层的输出并进行分类，包括卷积层、批归一化层(BatchNormal层)、Dropout层和分类层；
也即第一层为卷积层，为Channels＝512,FilterSize＝3。
第二层为批归一化层，BatchNormal将特征进行归一化。
第三层为Dropout(0.2)层。
第四层为分类层，卷积为Channels＝3,FilterSize＝1输出分类层。
--输出模块，接收分类层的输出并输出表示分类结果的数值；
心电波形定位加分类模型装置由以下训练方法训练得到：
收集心电信号图若干个，并按照心电信号类型进行标记形成训练集，心电信号类型的标记位置为R波顶点左右0.02s内的所有点。
训练时，设定不同数量的分支以及不同的自适应池化层的步长的组合，并筛选出其中准确率最大的作为心电波形定位加分类模型装置的设置。训练时的损失函数采用softmax_with_cross_entropy，用来比较分类和定位错误的平均误差。通过对此平均误差进行最小化梯度下降进行训练。
训练算法采用Adam算法。
BatchSize采用10。
LearningRate采用0.001。
识别时，需要将未知类型的心电信号处理成训练时相同的长度；使用的心电信号的类型包括左心室肥大、房性早搏，正常心跳R波和正常心跳非R波，并且将其分别标记为3,2,1,0，标记位置为R波顶点左右0.02s内的所有点；输出模块会给心电信号的采样点上的相关位置打上标记，当输出模块输出的值为3时即认为属于左心室肥大，当输出模块输出的值为2时即认为属于房性早搏，当输出模块输出的值为1时即认为属于正常心跳R波，同时，存在非0标记的点即为R波位置。
实施例2
本实施例是在实施例1上改进的一种采用多尺度视野深度学习的心电波形定位加分类模型装置，多尺度聚合模块的结构与实施例1的不同，包括：
残差网络模块，用于接收心电信号图的输入并输出心电信号图特征信息；
多尺度聚合模块，包括三个池化层、4个分支和3个concat特征融合层，4个分支包括不同步长的自适应池化层和卷积层，每个分支均能输出相同长度的特征变量，三个池化层的步长分别为2、4和6，其中步长为2的池化层的输出连接到第一分支、第二分支和第三分支的自适应池化层中，步长为4的池化层的输出连接到第一分支、第二分支、第三分支和第四分支的自适应池化层中，步长为6的池化层的输出连接到第一分支、第三分支和第四分支的自适应池化层中，3个concat特征融合层分别对第一分支、第二分支和第三分支的卷积层，第一分支、第二分支、第三分支和第四分支的卷积层以及第一分支、第二分支和第四分支的卷积层进行特征融合；通过使用不同步长的池化层并配合不同分支，能够尽量提高神经网络参数对特征识别的准确性；作为一种简化，可以通过验证集来验证识别的准确性，识别出准确性高的池化层的步长参数以及相应的分支的组合，由于仅保留了一个池化层和一组分支，因而，分类模块和输出模块可以与实施例1相同，只采用一个；
三个分类模块，分别接收3个concat特征融合层的输出并进行分类，包括卷积层、批归一化层、Dropout层和分类层；
三个输出模块，分别接收三个分类模块中分类层的输出并输出表示分类结果的数值；
判断模块，当三个分类模块中输出所表示的分类结果一致时，将该分类结果作为心电信号的心电类型；
心电波形定位加分类模型装置由以下训练方法训练得到：
收集心电信号图若干个，并按照心电信号类型进行标记形成训练集，心电信号类型的标记位置为R波顶点左右0.02s内的所有点。
识别时，需要将未知类型的心电信号处理成训练时相同的长度；使用的心电信号的类型包括左心室肥大、房性早搏，正常心跳R波和正常心跳非R波，并且将其分别标记为3,2,1,0，标记位置为R波顶点左右0.02s内的所有点；输出模块会给心电信号的采样点上的相关位置打上标记，当输出模块输出的值为3时即认为属于左心室肥大，当输出模块输出的值为2时即认为属于房性早搏，当输出模块输出的值为1时即认为属于正常心跳R波，同时，存在非0标记的点即为R波位置；
还包括判断模块，判断模块在三个分类模块的输出值相同时，将该分类结果作为心电信号的心电类型，并将三个输出模块输出中非0标记的点的交集做为R波位置。
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 (8)
1.一种采用多尺度视野深度学习的心电波形定位加分类模型装置，其特征在于，包括：
残差网络模块，用于接收心电信号图的输入并输出心电信号图特征信息；
多尺度聚合模块，包括一池化层、若干分支和concat特征融合层，每个分支包括不同步长的自适应池化层和卷积层，每个分支均能输出同样长度的特征变量，并经由concat特征融合层进行特征融合；
分类模块，接收concat特征融合层的输出并进行分类，包括卷积层、批归一化层、Dropout层和分类层；
输出模块，接收分类层的输出并输出表示分类结果的数值；
心电波形定位加分类模型装置由以下训练方法训练得到：
收集心电信号图若干个，并按照心电信号类型进行标记形成训练集，心电信号类型的标记位置为R波顶点左右0.02s内的所有点。
2.根据权利要求1所述的采用多尺度视野深度学习的心电波形定位加分类模型装置，其特征在于，多尺度定位分类模块中的分支数量为4。
3.根据权利要求2所述的采用多尺度视野深度学习的心电波形定位加分类模型装置，其特征在于，多尺度定位分类模块中池化层的步长为2，每个分支中均包括一自适应池化层和一卷积层，各分支的自适应池化层的步长分别为1、3、5、7。
4.根据权利要求1-3任一项所述的采用多尺度视野深度学习的心电波形定位加分类模型装置，其特征在于，训练时，设定不同数量的分支以及不同的自适应池化层的步长的组合，并筛选出其中准确率最大的作为心电波形定位加分类模型装置的设置。
5.根据权利要求1-4任一项所述的采用多尺度视野深度学习的心电波形定位加分类模型装置，其特征在于，心电信号类型包括左心室肥大、房性早搏和正常心跳。
6.根据权利要求1-5任一项所述的采用多尺度视野深度学习的心电波形定位加分类模型装置，其特征在于，训练时的损失函数采用softmax_with_cross_entropy。
7.根据权利要求1-6任一项所述的采用多尺度视野深度学习的心电波形定位加分类模型装置，其特征在于，训练算法采用Adam算法。
8.一种采用多尺度视野深度学习的心电波形定位加分类模型装置，其特征在于，包括：
残差网络模块，用于接收心电信号图的输入并输出心电信号图特征信息；
多尺度聚合模块，包括三个池化层、4个分支和3个concat特征融合层，4个分支包括不同步长的自适应池化层和卷积层，每个分支均能输出同样长度的特征变量，三个池化层的步长分别为2、4和6，其中步长为2的池化层的输出连接到第一分支、第二分支和第三分支的自适应池化层中，步长为4的池化层的输出连接到第一分支、第二分支、第三分支和第四分支的自适应池化层中，步长为6的池化层的输出连接到第一分支、第三分支和第四分支的自适应池化层中，3个concat特征融合层分别对第一分支、第二分支和第三分支的卷积层，第一分支、第二分支、第三分支和第四分支的卷积层以及第一分支、第二分支和第四分支的卷积层进行特征融合；
三个分类模块，分别接收3个concat特征融合层的输出并进行分类，包括卷积层、批归一化层、Dropout层和分类层；
三个输出模块，分别接收三个分类模块中分类层的输出并输出表示分类结果的数值；
判断模块，当三个分类模块中输出所表示的分类结果一致时，将该分类结果作为心电信号的心电类型；
心电波形定位加分类模型装置由以下训练方法训练得到：
收集心电信号图若干个，并按照心电信号类型进行标记形成训练集，心电信号类型的标记位置为R波顶点左右0.02s内的所有点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011471503.9A CN112568908A (zh) | 2020-12-14 | 2020-12-14 | 采用多尺度视野深度学习的心电波形定位加分类模型装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011471503.9A CN112568908A (zh) | 2020-12-14 | 2020-12-14 | 采用多尺度视野深度学习的心电波形定位加分类模型装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112568908A true CN112568908A (zh) | 2021-03-30 |
Family
ID=75136199
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011471503.9A Pending CN112568908A (zh) | 2020-12-14 | 2020-12-14 | 采用多尺度视野深度学习的心电波形定位加分类模型装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112568908A (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110224565A1 (en) * | 2010-03-15 | 2011-09-15 | Singapore Health Services Pte Ltd. | Method of predicting acute cardiopulmonary events and survivability of a patient |
| CN104523266A (zh) * | 2015-01-07 | 2015-04-22 | 河北大学 | 一种心电信号自动分类方法 |
| CN108830855A (zh) * | 2018-04-02 | 2018-11-16 | 华南理工大学 | 一种基于多尺度低层特征融合的全卷积网络语义分割方法 |
| CN109480824A (zh) * | 2018-12-11 | 2019-03-19 | 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 |
| CN109948647A (zh) * | 2019-01-24 | 2019-06-28 | 西安交通大学 | 一种基于深度残差网络的心电图分类方法及系统 |
| CN110584654A (zh) * | 2019-10-09 | 2019-12-20 | 中山大学 | 一种基于多模态卷积神经网络心电信号分类方法 |
| CN110897629A (zh) * | 2018-09-14 | 2020-03-24 | 杭州脉流科技有限公司 | 基于深度学习算法的心电特征提取方法、装置、系统、设备和分类方法 |
| CN111160139A (zh) * | 2019-12-13 | 2020-05-15 | 中国科学院深圳先进技术研究院 | 心电信号的处理方法、装置及终端设备 |
| CN111242138A (zh) * | 2020-01-11 | 2020-06-05 | 杭州电子科技大学 | 一种基于多尺度特征融合的rgbd显著性检测方法 |
| WO2020141807A2 (ko) * | 2019-01-03 | 2020-07-09 | 인하대학교 산학협력단 | 딥러닝을 이용한 정상동율동 심전도 상태에서의 발작성 심방세동 예측방법 |
| CN111666956A (zh) * | 2020-06-09 | 2020-09-15 | 齐鲁工业大学 | 一种多尺度特征提取及融合方法及装置 |
| CN111956211A (zh) * | 2020-07-29 | 2020-11-20 | 鲁东大学 | 单导联心电信号房颤自动检测方法 |
-
2020
- 2020-12-14 CN CN202011471503.9A patent/CN112568908A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110224565A1 (en) * | 2010-03-15 | 2011-09-15 | Singapore Health Services Pte Ltd. | Method of predicting acute cardiopulmonary events and survivability of a patient |
| CN104523266A (zh) * | 2015-01-07 | 2015-04-22 | 河北大学 | 一种心电信号自动分类方法 |
| CN108830855A (zh) * | 2018-04-02 | 2018-11-16 | 华南理工大学 | 一种基于多尺度低层特征融合的全卷积网络语义分割方法 |
| CN110897629A (zh) * | 2018-09-14 | 2020-03-24 | 杭州脉流科技有限公司 | 基于深度学习算法的心电特征提取方法、装置、系统、设备和分类方法 |
| CN109480824A (zh) * | 2018-12-11 | 2019-03-19 | 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 |
| WO2020141807A2 (ko) * | 2019-01-03 | 2020-07-09 | 인하대학교 산학협력단 | 딥러닝을 이용한 정상동율동 심전도 상태에서의 발작성 심방세동 예측방법 |
| CN109948647A (zh) * | 2019-01-24 | 2019-06-28 | 西安交通大学 | 一种基于深度残差网络的心电图分类方法及系统 |
| CN110584654A (zh) * | 2019-10-09 | 2019-12-20 | 中山大学 | 一种基于多模态卷积神经网络心电信号分类方法 |
| CN111160139A (zh) * | 2019-12-13 | 2020-05-15 | 中国科学院深圳先进技术研究院 | 心电信号的处理方法、装置及终端设备 |
| CN111242138A (zh) * | 2020-01-11 | 2020-06-05 | 杭州电子科技大学 | 一种基于多尺度特征融合的rgbd显著性检测方法 |
| CN111666956A (zh) * | 2020-06-09 | 2020-09-15 | 齐鲁工业大学 | 一种多尺度特征提取及融合方法及装置 |
| CN111956211A (zh) * | 2020-07-29 | 2020-11-20 | 鲁东大学 | 单导联心电信号房颤自动检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| FANG-WEN LO: "Deep Learning for Detection of Fetal ECG from Multi-Channel Abdominal Leads", 《2018 ASIA-PACIFIC SIGNAL AND INFORMATION PROCESSING ASSOCIATION ANNUAL SUMMIT AND CONFERENCE (APSIPA ASC)》, 15 December 2018 (2018-12-15), pages 1397 - 1401 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109948647B (zh) | 一种基于深度残差网络的心电图分类方法及系统 | |
| US11564612B2 (en) | Automatic recognition and classification method for electrocardiogram heartbeat based on artificial intelligence | |
| US10869610B2 (en) | System and method for identifying cardiac arrhythmias with deep neural networks | |
| CN108875575B (zh) | 基于多通道信号融合深度神经网络自动心律失常分析方法 | |
| EP3644220A1 (en) | Detection of electrocardiogram signal | |
| CN109620152B (zh) | 一种基于MutiFacolLoss-Densenet的心电信号分类方法 | |
| US7174205B2 (en) | Cardiac diagnostic system and method | |
| CN111160139A (zh) | 心电信号的处理方法、装置及终端设备 | |
| CN111626114B (zh) | 基于卷积神经网络的心电信号心律失常分类系统 | |
| CN109117730A (zh) | 心电图心房颤动实时判断方法、装置、系统及存储介质 | |
| CN111666865B (zh) | 多导联心电信号卷积神经网络分类方法及其使用方法 | |
| CN108256452A (zh) | 一种基于特征融合的ecg信号分类的方法 | |
| CN112022141B (zh) | 一种心电信号类别检测方法、装置及存储介质 | |
| CN111956202B (zh) | 基于样本分布改进的卷积神经网络的训练方法及模型 | |
| CN111956208B (zh) | 一种基于超轻量级卷积神经网络的ecg信号分类方法 | |
| CN110432895B (zh) | 训练数据处理、心电波形检测方法及电子设备 | |
| CN115409764B (zh) | 一种基于域自适应的多模态眼底血管分割方法及装置 | |
| CN115047969A (zh) | 一种基于眼动的认知功能评估系统及其评估方法 | |
| CN111214225B (zh) | 室性激动识别方法、装置、电子设备及可读存储介质 | |
| CN104783786B (zh) | 心电图特征识别系统及方法 | |
| CN113171102A (zh) | 基于持续深度学习的ecg数据分类方法 | |
| CN111657914A (zh) | 基于深度学习的心电图形态的识别方法和装置 | |
| CN112568908A (zh) | 采用多尺度视野深度学习的心电波形定位加分类模型装置 | |
| CN112568907A (zh) | 采用多尺度视野深度学习的心电波形定位加分类方法 | |
| CN117708670A (zh) | 一种心电信号分类预测模型构建方法、设备及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210330 |