CN117257324B - 基于卷积神经网络和ecg信号的房颤检测方法 - Google Patents
基于卷积神经网络和ecg信号的房颤检测方法 Download PDFInfo
- Publication number
- CN117257324B CN117257324B CN202311558447.6A CN202311558447A CN117257324B CN 117257324 B CN117257324 B CN 117257324B CN 202311558447 A CN202311558447 A CN 202311558447A CN 117257324 B CN117257324 B CN 117257324B
- Authority
- CN
- China
- Prior art keywords
- feature map
- layer
- convolution
- neural network
- convolutional neural
- 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
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
- A61B5/361—Detecting fibrillation
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请提供了一种基于卷积神经网络和ECG信号的房颤检测方法。本发明包括以下步骤：S1：获取训练集和测试集：S2：构建CNN‑RdNet卷积神经网络；S3：构建总损失函数；S4：对CNN‑RdNet卷积神经网络进行训练，得到CNN‑RdNet卷积神经网络模型；S5：将心电图数据加载到CNN‑RdNet卷积神经网络模型中进行一次前向传播，输出一个范围为[0,1]的概率值以及准确率；当概率值大于0.5时，预测结果为房颤；当概率值小于0.5且大于0时，预测结果为不是房颤。本申请所述方法能够获得较高的准确率，且需要的运行时间也较短。
Description
技术领域
本发明属于新一代信息技术领域，特别涉及一种基于卷积神经网络和ECG信号的房颤检测方法。
背景技术
房颤是一种医学上常见的心律失常，指心脏的上腔静脉血液进入心房无规律地快速收缩，造成心房失去有效收缩和无规律地抖动的情况。近年来，深度学习在心电监测领域已被广泛应用，但是，在处理大数量数据样本时所取得的准确性以及深度学习模型运行时间都不是很理想，因此，本申请针对该上述缺陷提出了一种基于卷积神经网络和ECG信号的房颤检测方法。
发明内容
为了弥补现有技术的不足，本发明提供了一种基于卷积神经网络和ECG信号的房颤检测方法。
本发明的技术方案为：
一种基于卷积神经网络和ECG信号的房颤检测方法，包括以下步骤：
S1：获取训练集和测试集：
S2：构建CNN-RdNet卷积神经网络，利用CNN-RdNet卷积神经网络先统计输入至CNN-RdNet卷积神经网络的标注后的心电图数量；然后对输入的标注后的心电图依次进行升维、提取浅层特征、对浅层特征重点关注、对被重点关注的特征进行捕捉并保留、对重点捕捉并保留的特征进行特征提取、重点关注边缘特征和纹理特征、对重点关注的特征进行重点捕捉并保留、对重点捕捉并保留的特征进行提取、对心脏跳动频率以及P波波形、QRS波形和ST段波形的频率进行重点关注、对重点关注的特征进行重点捕捉并保留、对重点捕捉并保留的特征进行特征提取、降维并生成特征向量、对特征向量进行特征映射、将参数矩阵进行映射操作得到一个范围为[0,1]的概率值以及计算准确率的操作；
S3：构建CNN-RdNet卷积神经网络的总损失函数；
S4：利用训练集和总损失函数对CNN-RdNet卷积神经网络进行训练，得到CNN-RdNet卷积神经网络模型；
S5：将标注后的心电图数据加载到步骤S4中得到的CNN-RdNet卷积神经网络模型中进行一次前向传播，输出一个范围为[0,1]的概率值以及准确率；当概率值大于0.5时，表示输入至CNN-RdNet卷积神经网络模型中的标注后的心电图为房颤图形，预测结果为房颤；当概率值小于0.5且大于0时，表示输入至CNN-RdNet卷积神经网络模型中的标注后的心电图不是房颤图形，预测结果为不是房颤。
优选地，步骤S1包括如下具体步骤：S1-1：从PhysioNet数据集获得1000条临床房颤的心电信号（心电信号又称ECG信号）数据，构成初始数据集；S1-2：利用Matlab R2021b软件对初始数据集中的心电信号进行处理导出得到心电图，而后，将心电图按照7:3的比例划分，得到训练集T和测试集S。
优选地，步骤S1-2包括如下具体步骤：S1-2-1:将初始数据集中的1000条心电信号在Matlab R2021b软件中使用rdmat函数读取初始数据集中的心电信号，并将其读取的初始数据集中的心电信号转化为可视化的心电信号，即心电图信号；
S1-2-2：使用Matlab R2021b软件中Signal Labeler对心电图信号的R波进行标注，得到标注后的心电图信号；
S1-2-3：将标注后的心电图信号从Matlab R2021b软件中导出，得到标注后的心电图，然后将标注后的心电图按照7:3的比例划分训练集T和测试集S。
优选地，步骤S2中，CNN-RdNet卷积神经网络包括依次连接的输入层、计数器Ⅰ、卷积操作模块、特征提取块Ⅰ、空间注意力模块Ⅰ、最大池化层Ⅰ、特征提取块Ⅱ、空间注意力模块Ⅱ、最大池化层Ⅱ、特征提取块Ⅲ、空间注意力模块Ⅲ、最大池化层Ⅲ、特征提取块Ⅳ、全局最大池化层、预测层、计数层Ⅱ以及输出层；
其中，计数器Ⅰ用于统计输入至CNN-RdNet卷积神经网络的输入层中的标注后的心电图数量；
卷积操作模块用于对输入至卷积操作模块中的标注后的心电图进行升维，得到初始特征图；
特征提取块Ⅰ用于对初始特征图提取浅层特征，得到浅层特征图Ⅰ；其中，浅层特征包括P波波形、QRS波形以及ST段波形，该上述浅层特征的提取用于判定待测的心电图中的波形是P波波形、QRS波形以及ST段波形中哪一种波形；
空间注意力模块Ⅰ用于对浅层特征图Ⅰ中的P波波形的特征、QRS波波形中的Q波波形的特征和S波波形的特征和R波波形的波峰位置以及ST段波形中T波波形的特征和ST段波形的变化进行重点关注，得到浅层特征图Ⅱ；其中，P波波形的特征包括P波波形的形状、振幅和持续时间；Q波波形的特征包括深度和宽度，S波波形的特征包括深度和宽度；T波波形的特征包括T波波形的形态、极性和持续时间的特征，ST段波形的变化包括ST段异常抬高或异常压低的特征；
最大池化层Ⅰ用于对浅层特征图Ⅱ中被重点关注的特征进行捕捉并保留，得到浅层特征图Ⅲ。
特征提取块Ⅱ用于对浅层特征图Ⅲ中重点捕捉并保留的特征进行特征提取，得到包括边缘特征和纹理特征的浅层特征图Ⅳ；
空间注意力模块Ⅱ用于重点关注浅层特征图Ⅳ中的边缘特征和纹理特征，得到浅层特征图Ⅴ；
最大池化层Ⅱ用于对浅层特征图Ⅴ中重点关注的特征进行重点捕捉并保留，得到浅层特征图Ⅵ；
特征提取块Ⅲ用于对浅层特征图Ⅵ中重点捕捉并保留的特征进行提取，得到深层特征图Ⅰ，深层特征图Ⅰ包括心脏跳动频率以及P波波形、QRS波形和ST段波形的频率；
空间注意力模块Ⅲ用于对深层特征图Ⅰ中的心脏跳动频率以及P波波形、QRS波形和ST段波形的频率进行重点关注，同时重点关注P波波形、QRS波形和ST段波形之间的相关性和连续性，得到深层特征图Ⅱ；
最大池化层Ⅲ用于对深层特征图Ⅱ中重点关注的特征进行重点捕捉并保留，得到深层特征图Ⅲ；
特征提取块Ⅳ用于对深层特征图Ⅲ中重点捕捉并保留的特征进行特征提取，得到深层特征图Ⅳ；
全局最大池化层用于对深层特征图Ⅳ进行降维，并生成特征向量；
预测层包括一个全连接层、一个Sigmoid层；全连接层（fully connected layers,FC）用于对全局最大池化层输出的特征向量进行特征映射，得到参数矩阵[64,2]；Sigmoid层用于将全连接层输出的参数矩进行阵映射得到一个范围为[0,1]的概率值；当概率值大于0.5时，表示输入至特征提取块Ⅰ中的标注后的心电图为房颤图形；当概率值小于0.5且大于0时，表示输入至特征提取块Ⅰ中的标注后的心电图不是房颤图形；
计数器Ⅱ用于统计概率值大于0.5的数量，并保存概率值大于0.5的数量与输入至CNN-RdNet卷积神经网络中的标注后的心电图数量的比值作为准确率。
优选地，步骤S2中，卷积操作模块是由64个卷积核大小为3×3的卷积层依次连接而成。
优选地，步骤S2中，特征提取块Ⅰ包括主干网络和残差网络，其中：主干网络包括依次连接的第一个卷积块Ⅰ、第一个卷积块Ⅱ、第二个卷积块Ⅰ、第一个Concat层、第三个卷积块Ⅰ、第二个卷积块Ⅱ、第四个卷积块Ⅰ、第二个Concat层；第一个卷积块Ⅰ还分别连接第二个卷积块Ⅰ和第一个Concat层，第一个卷积块Ⅱ还与第一个Concat层连接；第三个卷积块Ⅰ还与第四个卷积块Ⅰ连接、第二个Concat层；第二个卷积块Ⅱ还与第二个Concat层连接；输入层还与第二个Concat层连接；残差网络包括第五个卷积块Ⅰ、第三个卷积块Ⅱ、第六个卷积块Ⅰ、第四个卷积块Ⅱ，其中，第五个卷积块Ⅰ和第三个卷积块Ⅱ连接，第六个卷积块Ⅰ和第四个卷积块Ⅱ连接；输入层与第五个卷积块Ⅰ连接，第三个卷积块Ⅱ与第一个Concat层连接，第一个Concat层与第六个卷积块Ⅰ连接，第四个卷积块Ⅱ与第二个Concat层连接。
优选地，步骤S2中，卷积块Ⅰ由卷积核大小为1×1的卷积层和LReLu层构成，卷积块Ⅱ由卷积核大小为3×3的卷积层和LReLu层构成。
优选地，步骤S2中，特征提取块Ⅰ、特征提取块Ⅱ、特征提取块Ⅲ和特征提取块Ⅳ的结构相同。
优选地，步骤S2中，空间注意力模块Ⅰ、空间注意力模块Ⅱ和空间注意力模块Ⅲ的结构相同，空间注意力模块Ⅰ采用的是现有的空间注意力模块。
优选地，步骤S2中，最大池化层Ⅰ、最大池化层Ⅱ、最大池化层Ⅲ、全局最大池化层都是采用的现有的最大池化层，最大池化层Ⅰ、最大池化层Ⅱ和最大池化层Ⅲ与全局最大池化层的区别在于池化层的卷积核的尺寸不同，最大池化层Ⅰ、最大池化层Ⅱ和最大池化层Ⅲ的卷积核的尺寸为2×2，全局最大池化层的卷积核的尺寸为7×7。
优选地，步骤S3中，CNN-RdNet卷积神经网络的总损失函数，如式（1）所示；式（1）中，/>为二分类交叉熵损失函数，如式（2）所示，
（1）
（2）
式（1）中，中的z 表示模型的预测输出概率值，y表示实际的标签；n表示第n个输入至CNN-RdNet卷积神经网络中的标注后的心电图；/>表示输入至CNN-RdNet卷积神经网络中的第n个标注后的心电图的损失；/>表示输入至CNN-RdNet卷积神经网络中的第1个标注后的心电图的损失至CNN-RdNet卷积神经网络中的第n个标注后的心电图的损失的加和取平均值；
式（2）中，用N表示样本数量，表示输入至CNN-RdNet卷积神经网络中的第n个标注后的心电图的标签，/>表示预测输入至CNN-RdNet卷积神经网络中的第n个标注后的心电图为房颤图形的概率，/>表示输入至CNN-RdNet卷积神经网络中的第n个标注后的心电图的损失。
优选地，步骤S4具体包括如下步骤：将训练集中的标注后的心电图输入至CNN-RdNet卷积神经网络，而后，每完成一个训练段(即1个epoch)后，CNN-RdNet卷积神经网络的预测层会输出概率值、实际标签以及精度；而后，CNN-RdNet卷积神经网络的总损失函数就会计算输出概率值与实际标签之间的损失，也就是CNN-RdNet卷积神经网络的总损失；而后根据CNN-RdNet卷积神经网络的总损失优化梯度并反向传播，保存参数，并更新CNN-RdNet卷积神经网络的模型参数，当训练段epoch的训练次数达到预设的100次时，将输出精度最大的那个训练段epoch保留的参数，作为CNN-RdNet卷积神经网络最终的模型参数，得到CNN-RdNet卷积神经网络模型。
与现有技术相比，本发明的有益效果如下：
本申请提供了一种基于卷积神经网络和ECG信号的房颤检测方法，旨在弥补现有房颤检测方法检测房颤的检测速度和准确率不理想的劣势，有效提高房颤的检测速度，降低房颤的检测时间，提高房产检测的准确率。本申请所述的方法在房颤检测过程中，利用CNN-RdNet卷积神经网络对特征进行充分学习，同时利用空间注意力模块对重点特征进行关注，从而有效提高特征提取块提取特征和学习特征的能力，并够获取更多有利于检测房颤的特征用于预测层对房颤的检测，与此同时，最大池化层的加入又使得本申请的运算量大大降低，节省了运算时间，提高了检测速度。
本申请所述的房颤检测方法在精确度和运行时间上均取得了较佳的效果，具体来说，相较于现有房颤检测方法中性能较佳的基于卷积神经网络-CNN房颤检测方法，当检测样本量达60000时，本申请所述的房颤检测方法在准确率方面提高了5.55%，在运行时间方面缩短了56.41%。
附图说明
图1为本发明的总体流程图；
图2为CNN-RdNet卷积神经网络的网络结构示意图；
图3为特征提取块Ⅰ的网络结构示意图；
图4为利用本申请测试集S对本申请所述的房颤检测方法以及基于样本熵、基于卷积神经网络-CNN、随机森林-RF、基于频域特征以及支持向量机-SVM这五种现有的房颤检测方法进行测试得到的房颤检测准确性对比图；
图5为利用本申请测试集S对本申请所述的房颤检测方法以及基于样本熵、基于卷积神经网络-CNN、随机森林-RF、基于频域特征以及支持向量机-SVM这五种现有的房颤检测方法进行测试得到的运行时间的对比图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，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，都应当属于本发明保护的范围。
术语解释：
PhysioNet：全称为Research Resource for Complex Physiologic Signals，直译为复杂生理信号研究资源，网站为https://physionet.org/。由MIH资助，现在由MIT的计算生理学实验室管理。
本实施例提供的一种基于CNN-RdNet卷积神经网络和ECG信号的房颤检测方法，其总体流程图如图1所示，具体包括以下步骤：
S1：获取训练集和测试集：
S1-1：从PhysioNet数据集获得1000条临床房颤的心电信号（心电信号又称ECG信号）数据，该1000条临床房颤的心电信号数据为心跳种类已标好、且采样频率为1000Hz的现有数据，该1000条临床房颤的心电信号数据构成初始数据集，初始数据集中这1000条临床房颤的心电信号数据即为1000个患者的心电记录，正常情况下一个RR区间的时长为0.6-1s，本申请取半分钟也就是30s的心电信号为一个心电记录。
S1-2：利用Matlab R2021b软件对初始数据集中的心电信号进行处理导出得到心电图，而后，将心电图按照7:3的比例划分，得到训练集T和测试集S，具体步骤如下：
S1-2-1:将初始数据集中的1000条心电信号在现有的Matlab R2021b软件中使用Matlab软件中的rdmat函数读取初始数据集中的心电信号，并将其读取的初始数据集中的心电信号转化为可视化的心电信号，即心电图信号；
S1-2-2：使用Matlab R2021b软件中Signal Processing Toolbox中的SignalLabeler对心电图信号的R波进行标注，得到标注后的心电图信号，便于后序对标注后的心电图进行分割；
S1-2-3：将标注后的心电图信号从Matlab R2021b软件中导出，得到标注后的心电图，然后将标注后的心电图按照7:3的比例划分训练集T和测试集S，训练集T中标注后的心电图数据为700条、测试集S中标注后的心电图数据为300条。
S2：构建CNN-RdNet卷积神经网络：
CNN-RdNet卷积神经网络包括依次连接的输入层、计数器Ⅰ、卷积操作模块、特征提取块Ⅰ、空间注意力模块Ⅰ、最大池化层Ⅰ、特征提取块Ⅱ、空间注意力模块Ⅱ、最大池化层Ⅱ、特征提取块Ⅲ、空间注意力模块Ⅲ、最大池化层Ⅲ、特征提取块Ⅳ、全局最大池化层、预测层、计数层Ⅱ以及输出层；特征提取块Ⅰ、特征提取块Ⅱ、特征提取块Ⅲ和特征提取块Ⅳ的结构相同；空间注意力模块Ⅰ、空间注意力模块Ⅱ和空间注意力模块Ⅲ的结构相同，空间注意力模块Ⅰ采用的是现有的空间注意力模块；最大池化层Ⅰ、最大池化层Ⅱ、最大池化层Ⅲ、全局最大池化层都是采用的现有的最大池化层，最大池化层Ⅰ、最大池化层Ⅱ和最大池化层Ⅲ与全局最大池化层的区别在于池化层的卷积核的尺寸不同，最大池化层Ⅰ、最大池化层Ⅱ和最大池化层Ⅲ的卷积核的尺寸为2×2，全局最大池化层的卷积核的尺寸为7×7；
计数器Ⅰ用于统计输入至CNN-RdNet卷积神经网络的输入层中的标注后的心电图数量；
卷积操作模块用于对输入至卷积操作模块中的标注后的心电图（尺寸大小为3×56×56）进行升维，得到尺寸大小为64×56×56的初始特征图；卷积操作模块是由64个卷积核大小为3×3的卷积层依次连接而成；
特征提取块Ⅰ用于对卷积操作模块输出的初始特征图提取浅层特征，得到浅层特征图Ⅰ，浅层特征图Ⅰ的尺寸为64×56×56；其中，浅层特征包括P波波形、QRS波形以及ST段波形，该上述浅层特征的提取用于判定待测的心电图中的波形是P波波形、QRS波形以及ST段波形中哪一种波形；
空间注意力模块Ⅰ用于对浅层特征图Ⅰ中的P波波形的特征、QRS波波形中的Q波波形的特征和S波波形的特征和R波波形的波峰位置以及ST段波形中T波波形的特征和ST段波形的变化进行重点关注，得到浅层特征图Ⅱ；其中，P波波形的特征包括P波波形的形状、振幅和持续时间；Q波波形的特征包括深度和宽度，S波波形的特征包括深度和宽度；T波波形的特征包括T波波形的形态、极性和持续时间的特征，ST段波形的变化包括ST段异常抬高或异常压低的特征；
最大池化层Ⅰ用于对空间注意力模块Ⅰ输出的浅层特征图Ⅱ中被重点关注的特征进行捕捉并保留，得到尺寸为64×28×28的浅层特征图Ⅲ。
特征提取块Ⅱ用于对最大池化层Ⅰ输出的浅层特征图Ⅲ中重点捕捉并保留的特征进行特征提取，得到包括边缘特征和纹理特征的浅层特征图Ⅳ，浅层特征图Ⅳ的尺寸大小为64×28×28；
空间注意力模块Ⅱ用于重点关注特征提取块Ⅱ输出的浅层特征图Ⅳ中的边缘特征和纹理特征，得到浅层特征图Ⅴ；空间注意力模块Ⅱ的设置能够便于本申请更好地关注心电图中能够展示房颤信号的明显的方向性纹理，比如旋涡、螺旋；
最大池化层Ⅱ用于对空间注意力模块Ⅱ输出的浅层特征图Ⅴ中重点关注的特征进行重点捕捉并保留，得到浅层特征图Ⅵ，浅层特征图Ⅵ的尺寸为64×14×14；该最大池化层Ⅱ的设置能够有效捕捉并保留心电图中的边缘特征和纹理特征的重要特征，同时将浅层特征图Ⅵ的尺寸变为64×14×14；
特征提取块Ⅲ用于对最大池化层Ⅱ输出的浅层特征图Ⅵ中重点捕捉并保留的特征进行提取，得到深层特征图Ⅰ，深层特征图Ⅰ包括心脏跳动频率以及P波波形、QRS波形和ST段波形的频率；
空间注意力模块Ⅲ用于对特征提取块Ⅲ输出的深层特征图Ⅰ中的心脏跳动频率以及P波波形、QRS波形和ST段波形的频率进行重点关注，同时重点关注P波波形、QRS波形和ST段波形之间的相关性和连续性，得到深层特征图Ⅱ；
最大池化层Ⅲ用于对空间注意力模块Ⅲ输出的深层特征图Ⅱ中重点关注的特征进行重点捕捉并保留，得到深层特征图Ⅲ，深层特征图Ⅲ的尺寸为64×7×7；
特征提取块Ⅳ用于对最大池化层Ⅲ输出的深层特征图Ⅲ中重点捕捉并保留的特征进行特征提取，得到深层特征图Ⅳ。
全局最大池化层用于对特征提取块Ⅳ输出的深层特征图Ⅳ进行降维，并生成特征向量，特征向量的尺寸为64×1×1，用于后续的分类或预测任务。
预测层包括一个全连接层、一个Sigmoid层；其中，全连接层（fully connectedlayers,FC）用于对全局最大池化层输出的特征向量进行特征映射，得到参数矩阵[64,2]，64代表输入至全连接层的特征向量的维度，2表示全连接层的输出维度，即要生成的类别数；Sigmoid层用于将全连接层输出的参数矩阵进行映射得到一个范围为[0,1]的概率值；当概率值大于0.5时，表示输入至特征提取块Ⅰ中的标注后的心电图为房颤图形；当概率值小于0.5且大于0时，表示输入至特征提取块Ⅰ中的标注后的心电图不是房颤图形；
计数器Ⅱ用于统计概率值大于0.5的数量，并保存概率值大于0.5的数量与输入至CNN-RdNet卷积神经网络中的标注后的心电图数量的比值作为准确率；
特征提取块Ⅰ包括主干网络和残差网络，其中：
主干网络包括依次连接的第一个卷积块Ⅰ、第一个卷积块Ⅱ、第二个卷积块Ⅰ、第一个Concat层、第三个卷积块Ⅰ、第二个卷积块Ⅱ、第四个卷积块Ⅰ、第二个Concat层；第一个卷积块Ⅰ还分别连接第二个卷积块Ⅰ和第一个Concat层，第一个卷积块Ⅱ还与第一个Concat层连接；第三个卷积块Ⅰ还与第四个卷积块Ⅰ连接、第二个Concat层；第二个卷积块Ⅱ还与第二个Concat层连接；输入层还与第二个Concat层连接；
残差网络包括第五个卷积块Ⅰ、第三个卷积块Ⅱ、第六个卷积块Ⅰ、第四个卷积块Ⅱ，其中，第五个卷积块Ⅰ和第三个卷积块Ⅱ连接，第六个卷积块Ⅰ和第四个卷积块Ⅱ连接；输入层与第五个卷积块Ⅰ连接，第三个卷积块Ⅱ与第一个Concat层连接，第一个Concat层与第六个卷积块Ⅰ连接，第四个卷积块Ⅱ与第二个Concat层连接；
本申请中，卷积块Ⅰ由卷积核大小为1×1的卷积层和LReLu层构成，卷积块Ⅱ由卷积核大小为3×3的卷积层和LReLu层构成；
本申请中特征提取块Ⅰ用于对卷积操作模块输出的初始特征图提取浅层特征，得到浅层特征图Ⅰ，浅层特征图Ⅰ的尺寸为64×56×56；具体来说：
特征提取块Ⅰ中的第一个卷积块Ⅰ用于对输入的初始特征图不同通道的特征进行特征融合，得到特征更加丰富的特征图A1；第一个卷积块Ⅱ用于对第一个卷积块Ⅰ输出的特征图A1中的P波波形、QRS波形以及ST段波形进行简单地特征提取，得到特征图B1；第一个Concat层用于将特征图A1和特征图B1进行相加，得到特征图C1；第二个卷积块Ⅰ用于对特征图C1不同通道特征进行融合得到特征图D1；本申请残差网络提取的特征用于主干网络提取特征的补充；第五个卷积块Ⅰ用于对输入的初始特征图中的除P波波形、QRS波形以及ST段波形其他特征进行特征融合，得到特征图E1；第三个卷积块Ⅱ用于对特征图E1进行特征提取，并对空间信息进行保留，得到特征图F1，第二个Concat层用于将特征图A1、特征图C1、卷积块D1和特征图F1进行相加得到特征图G1；第三个卷积块Ⅰ用于对特征图G1中的不同通道的特征进行特征融合，得到特征图H1；第二个卷积块Ⅱ用于对特征图H1中的P波波形、QRS波形以及ST段波形进行详细地特征提取，得到特征图J1；第三个Concat层用于将特征图H1和特征图J1进行特征融合得到特征图K1；第四个卷积块Ⅰ用于对特征图K1中不同通道特征再次进行特征融合，得到特征图L1；而残差网络的第六个卷积块Ⅰ用于对特征图G1除P波波形、QRS波形以及ST段波形之外的其他浅层特征进行特征融合，得到特征图M1；第四个卷积块Ⅱ用于对特征图M1中除P波波形、QRS波形以及ST段波形之外的其他浅层特征进行详细地特征提取，得到特征图N1；第四个Concat层用于对特征图L1、特征图K1、特征图H1、特征图N1以及初始特征图进行相加得到浅层特征图Ⅰ。
本申请中特征提取块Ⅱ用于对最大池化层Ⅰ输出的浅层特征图Ⅲ继续提取浅层特征，得到浅层特征图Ⅳ，浅层特征图Ⅳ的尺寸为64×28×28；具体来说：
特征提取块Ⅱ中的第一个卷积块Ⅰ用于对浅层特征图Ⅲ不同通道的特征进行特征融合，得到特征更加丰富的特征图A2，第一个卷积块Ⅱ对第一个卷积块Ⅰ输出的特征图A2边缘特征和纹理特征进行粗略地特征提取，得到特征图B2，第一个Concat层用于将特征图A2和特征图B2进行相加，得到特征图C2；第二个卷积块Ⅰ用于对特征图C2不同通道特征进行融合得到特征图D2；本申请残差网络提取的特征用于主干网络提取特征的补充；第五个卷积块Ⅰ用于对输入的浅层特征图Ⅲ中的除边缘特征和纹理特征进行特征融合，得到特征图E2；第三个卷积块Ⅱ用于对特征图E2进行特征提取，并对空间信息进行保留，得到特征图F2；第二个Concat层用于将特征图A2、特征图C2、卷积块D2和特征图F2进行相加得到特征图G2；第三个卷积块Ⅰ用于对特征图G2中的不同通道的特征进行特征融合，得到特征图H2；第二个卷积块Ⅱ用于对特征图H2中的边缘特征和纹理特征进行详细地特征提取，得到特征图J2；第三个Concat层用于将特征图H2和特征图J2进行特征融合得到特征图K2；第四个卷积块Ⅰ用于对特征图K2中的不同通道特征再次进行特征融合，得到特征图L2；而残差网络的第六个卷积块Ⅰ用于对特征图G2除边缘特征和纹理特征之外的其他特征进行特征融合，得到特征图M2；第四个卷积块Ⅱ用于对特征图M2中除边缘特征和纹理特征之外的其他浅层特征进行详细地特征提取，得到特征图N2；第四个Concat层用于对特征图L2、特征图K2、特征图H2、特征图N2以及浅层特征图Ⅲ进行相加得到浅层特征图Ⅳ。
本申请中特征提取块Ⅲ用于对最大池化层Ⅱ输出的浅层特征图Ⅵ继续提取浅层特征，得到深层特征图Ⅰ，深层特征图Ⅰ的尺寸为64×14×14；具体来说：
特征提取块Ⅲ中的第一个卷积块Ⅰ用于对输入的浅层特征图Ⅵ不同通道的特征进行特征融合，得到特征更加丰富的特征图A3；第一个卷积块Ⅱ用于对特征图A3中的心脏跳动频率以及P波波形、QRS波形和ST段波形的频率这些特征进行粗略地特征提取，得到特征图B3；第一个Concat层用于将特征图A3和特征图B3进行相加，得到特征图C3；第二个卷积块Ⅰ用于对特征图C3不同通道特征进行融合得到特征图D3；在残差网络上，第五个卷积块Ⅰ用于对输入的浅层特征图Ⅵ中的除心脏跳动频率以及P波波形、QRS波形和ST段波形的频率这些特征进行特征融合，得到特征图E3；第三个卷积块Ⅱ用于对特征图E3进行特征提取，并对空间信息进行保留，得到特征图F3，第二个Concat层用于将特征图A3、特征图C3、卷积块D3和特征图F3进行相加得到特征图G3；第三个卷积块Ⅰ用于对特征图G3中的不同通道的特征进行特征融合，得到特征图H3；第二个卷积块Ⅱ用于对特征图H3中的心脏跳动频率以及P波波形、QRS波形和ST段波形的频率这些特征进行详细地特征提取，得到特征图J3；第三个Concat层用于将特征图H3和特征图J3进行特征融合得到特征图K3；第四个卷积块Ⅰ用于对特征图K3中的不同通道特征再次进行特征融合，得到特征图L3；而残差网络的第六个卷积块Ⅰ用于对特征图G3除心脏跳动频率以及P波波形、QRS波形和ST段波形的频率这些特征之外的其他深层特征进行特征融合，得到特征图M3；第四个卷积块Ⅱ用于对特征图M3中除心脏跳动频率以及P波波形、QRS波形和ST段波形的频率这些特征之外的其他深层特征进行详细地特征提取，得到特征图N3；第四个Concat层用于对特征图L3、特征图K3、特征图H3、特征图N3以及浅层特征图Ⅵ进行相加得到深层特征图Ⅰ。
本申请中特征提取块Ⅳ用于对最大池化层Ⅲ输出的深层特征图Ⅲ继续提取深层特征，得到深层特征图Ⅳ，深层特征图Ⅳ的尺寸为64×7×7；具体来说：
特征提取块Ⅳ中的第一个卷积块Ⅰ用于对深层特征图Ⅲ中不同通道的特征进行特征融合，得到特征更加丰富的特征图A4，第一个卷积块Ⅱ用于对第一个卷积块Ⅰ输出的特征图A4中P波波形、QRS波形和ST段波形之间的相关性和连续性进行简单地特征提取，得到特征图B4；第一个Concat层用于将特征图A4和特征图B4进行相加，得到特征图C4；第二个卷积块Ⅰ用于对特征图C4不同通道特征进行融合得到特征图D4；在残差网络上，第五个卷积块Ⅰ用于对输入的深层特征图Ⅳ中的除P波波形、QRS波形和ST段波形之间的相关性和连续性其他特征进行特征融合，得到特征图E4；第三个卷积块Ⅱ用于对特征图E4进行特征提取，并对空间信息进行保留，得到特征图F4，第二个Concat层用于将特征图A4、特征图C4、卷积块D4和特征图F4进行相加得到特征图G4；第三个卷积块Ⅰ用于对特征图G4中的不同通道的特征进行特征融合，得到特征图H4；第二个卷积块Ⅱ用于对特征图H4中的P波波形、QRS波形和ST段波形之间的相关性和连续性进行详细地特征提取，得到特征图J4；第三个Concat层用于将特征图H4和特征图J4进行特征融合得到特征图K4；第四个卷积块Ⅰ用于对特征图K4中不同通道特征再次进行特征融合，得到特征图L4；而残差网络的第六个卷积块Ⅰ用于对特征图G4除P波波形、QRS波形和ST段波形之间的相关性和连续性的其他特征进行特征融合，得到特征图M4；第四个卷积块Ⅱ用于对特征图M4中除P波波形、QRS波形和ST段波形之间的相关性和连续性的之外的其他深层特征进行详细地特征提取，得到特征图N4；第四个Concat层用于对特征图L4、特征图K4、特征图H4、特征图N4以及深层特征图Ⅲ进行相加得到深层特征图Ⅳ。
S3：构建CNN-RdNet卷积神经网络的总损失函数：
其中，CNN-RdNet卷积神经网络的总损失函数，如式（1）所示，式（1）中，/>为二分类交叉熵损失函数，如式（2）所示，
（1）
（2）
式（1）中，中的z 表示模型的预测输出概率值，y表示实际的标签；n表示第n个输入至CNN-RdNet卷积神经网络中的标注后的心电图；/>表示输入至CNN-RdNet卷积神经网络中的第n个标注后的心电图的损失；/>表示输入至CNN-RdNet卷积神经网络中的第1个标注后的心电图的损失至CNN-RdNet卷积神经网络中的第n个标注后的心电图的损失的加和取平均值；
式（2）中，用N表示样本数量，表示输入至CNN-RdNet卷积神经网络中的第n个标注后的心电图的标签，/>表示预测输入至CNN-RdNet卷积神经网络中的第n个标注后的心电图为房颤图形的概率，/>表示输入至CNN-RdNet卷积神经网络中的第n个标注后的心电图的损失。
S4：利用训练集和总损失函数对CNN-RdNet卷积神经网络进行训练，得到CNN-RdNet卷积神经网络模型：
步骤S4具体包括如下步骤：将训练集中的标注后的心电图输入至CNN-RdNet卷积神经网络，而后，每完成一个训练段(即1个epoch)后，CNN-RdNet卷积神经网络的预测层会输出概率值、实际标签以及精度；而后，CNN-RdNet卷积神经网络的总损失函数就会计算输出概率值与实际标签之间的损失，也就是CNN-RdNet卷积神经网络的总损失；而后根据CNN-RdNet卷积神经网络的总损失优化梯度并反向传播，保存参数，并更新CNN-RdNet卷积神经网络的模型参数，当训练段epoch的训练次数达到预设的100次时，将输出精度最大的那个训练段epoch保留的参数，作为CNN-RdNet卷积神经网络最终的模型参数，得到CNN-RdNet卷积神经网络模型。
S5：将测试集S中标注后的心电图数据加载到步骤S4中得到的CNN-RdNet卷积神经网络模型中进行一次前向传播，输出一个范围为[0,1]的概率值以及准确率；当概率值大于0.5时，表示输入至CNN-RdNet卷积神经网络模型中的标注后的心电图为房颤图形，预测结果为房颤；当概率值小于0.5且大于0时，表示输入至CNN-RdNet卷积神经网络模型中的标注后的心电图不是房颤图形，预测结果为不是房颤。
为了对比本申请所述方法（本申请中表1、表2、图4和图5中均以CNN-RdNet表示）与基于样本熵（出自于Computer Methods and Programs in Biomedicine）、基于卷积神经网络-CNN（出自于Journal of physics: Conference Series）、随机森林-RF（出自于INTERCON 2023）、基于频域特征以及支持向量机-SVM（出自于Biomedical SignalProcessing and Control 2019）这五种现有房颤检测方法的检测房颤效果，本申请将本申请所述房颤检测方法与基于样本熵、基于卷积神经网络-CNN、随机森林-RF、基于频域特征以及支持向量机-SVM这五种现有房颤检测方法在相同的测试集上进行对比，并使用相同的测试策略，具体来说就是，从测试集S中300条标注后的心电图数据中每次均随机选择100条加载到本申请所述的CNN-RdNet卷积神经网络模型中进行一次前向传播完成一次测试，测试分别重复进行200次、250次、300次、350次、400次、450次、500次、550次、600次；并分别输出准确率；同样地，将测试集S中300条标注后的心电图数据中每次均随机选择100条加载到基于样本熵、基于卷积神经网络-CNN、随机森林-RF、基于频域特征以及支持向量机-SVM这五种现有房颤检测方法的网络模型中进行一次前向传播完成一次测试，测试也是分别重复进行200次、250次、300次、350次、400次、450次、500次、550次、600次；同时记录基于样本熵、基于卷积神经网络-CNN、随机森林-RF、基于频域特征以及支持向量机-SVM这五种现有房颤检测方法的运行时间。准确度的测试结果如表1和图4所示，运行时间的测试结果如图5、和表2所示。
表1
表2
由表1和图4可知，与上述五种现有的房颤检测方法相比，本申请所述房颤检测方法所能获得的准确度在20000-60000的测试样本数量上都有较好的效果。具体来说：在测试样本数量从20000增长到60000的过程中，本申请所述房颤检测方法的准确率增长最多，增长了0.23，高于其他任何对比方法。在测试样本数量为20000时，本申请所述的房颤检测方法获得的准确率达0.72，而测试样本数量为60000时，本申请所述的房颤检测方法获得的准确率达0.95，这也显示了在测试样本数量为60000时，相比于当下准确率最高的基于卷积神经网络-CNN房颤检测方法，本申请所述房颤检测方法的准确率要高于其准确率，增长了（0.95-0.90）/0.90×100%=5.55%。
由表2和图5可知，与上述五种现有的房颤检测方法相比，本申请所述房颤检测方法所能获得的运行时间在20000-60000的测试样本数量上都有较好的效果。具体来说：在表2中各个测试样本数量下，本申请所述房颤检测方法所用的时间相比于其他对比方法都是最少的，同时运行时间增长在测试样本数量从20000增长到60000的过程中，可以看出本申请的方法所用时间最少，增长也最少。在测试样本数量为20000时，本申请所述的房颤检测方法的运行时间达6s，而测试样本数量为60000时，本申请所述的房颤检测方法的运行时间达17s，这也显示了在测试样本数量为60000时，相比于当下运行时间最短的基于卷积神经网络-CNN房颤检测方法，本申请所述房颤检测方法的运行时间要明显较短，相较于基于卷积神经网络-CNN房颤检测方法缩短了（39-17）/39×100%=56.41%。
Claims (6)
1.一种基于卷积神经网络和ECG信号的房颤检测方法，其特征在于：包括以下步骤：
S1：获取训练集和测试集；
S2：构建CNN-RdNet卷积神经网络，利用CNN-RdNet卷积神经网络先统计输入至CNN-RdNet卷积神经网络的标注后的心电图数量；然后对输入的标注后的心电图依次进行升维、提取浅层特征、对浅层特征重点关注、对被重点关注的特征进行捕捉并保留、对重点捕捉并保留的特征进行特征提取、重点关注边缘特征和纹理特征、对重点关注的特征进行重点捕捉并保留、对重点捕捉并保留的特征进行提取、对心脏跳动频率以及P波波形、QRS波形和ST段波形的频率进行重点关注、对重点关注的特征进行重点捕捉并保留、对重点捕捉并保留的特征进行特征提取、降维并生成特征向量、对特征向量进行特征映射、将参数矩阵进行映射操作得到一个范围在[0,1]的概率值以及计算准确率的操作；
步骤S2中，CNN-RdNet卷积神经网络包括依次连接的输入层、计数器Ⅰ、卷积操作模块、特征提取块Ⅰ、空间注意力模块Ⅰ、最大池化层Ⅰ、特征提取块Ⅱ、空间注意力模块Ⅱ、最大池化层Ⅱ、特征提取块Ⅲ、空间注意力模块Ⅲ、最大池化层Ⅲ、特征提取块Ⅳ、全局最大池化层、预测层、计数层Ⅱ以及输出层；
其中，计数器Ⅰ用于统计输入至CNN-RdNet卷积神经网络的输入层中的标注后的心电图数量；卷积操作模块用于对输入至卷积操作模块中的标注后的心电图进行升维，得到尺寸大小为64×56×56的初始特征图；特征提取块Ⅰ用于对初始特征图提取浅层特征，得到浅层特征图Ⅰ；空间注意力模块Ⅰ用于对浅层特征图Ⅰ中的P波波形的特征、QRS波波形中的Q波波形的特征和S波波形的特征和R波波形的波峰位置以及ST段波形中T波波形的特征和ST段波形的变化进行重点关注，得到浅层特征图Ⅱ；最大池化层Ⅰ用于对浅层特征图Ⅱ中被重点关注的特征进行捕捉并保留，得到浅层特征图Ⅲ；特征提取块Ⅱ用于对浅层特征图Ⅲ中重点捕捉并保留的特征进行特征提取，得到包括边缘特征和纹理特征的浅层特征图Ⅳ；空间注意力模块Ⅱ用于重点关注浅层特征图Ⅳ中的边缘特征和纹理特征，得到浅层特征图Ⅴ；最大池化层Ⅱ用于对浅层特征图Ⅴ中重点关注的特征进行重点捕捉并保留，得到浅层特征图Ⅵ；特征提取块Ⅲ用于对浅层特征图Ⅵ中重点捕捉并保留的特征进行提取，得到深层特征图Ⅰ；空间注意力模块Ⅲ用于对深层特征图Ⅰ中的心脏跳动频率以及P波波形、QRS波形和ST段波形的频率进行重点关注，同时重点关注P波波形、QRS波形和ST段波形之间的相关性和连续性，得到深层特征图Ⅱ；最大池化层Ⅲ用于深层特征图Ⅱ中重点关注的特征进行重点捕捉并保留，得到深层特征图Ⅲ；特征提取块Ⅳ用于对深层特征图Ⅲ中重点捕捉并保留的特征进行特征提取，得到深层特征图Ⅳ；全局最大池化层用于对深层特征图Ⅳ进行降维，并生成特征向量；预测层包括一个全连接层、一个Sigmoid层；全连接层用于对特征向量进行特征映射，得到参数矩阵[64,2]；Sigmoid层用于将参数矩阵进行映射得到一个范围为[0,1]的概率值；计数器Ⅱ用于统计概率值大于0.5的数量，并保存准确率；
步骤S2中，特征提取块Ⅰ包括主干网络和残差网络，其中：主干网络包括依次连接的第一个卷积块Ⅰ、第一个卷积块Ⅱ、第二个卷积块Ⅰ、第一个Concat层、第三个卷积块Ⅰ、第二个卷积块Ⅱ、第四个卷积块Ⅰ、第二个Concat层；第一个卷积块Ⅰ还分别连接第二个卷积块Ⅰ和第一个Concat层，第一个卷积块Ⅱ还与第一个Concat层连接；第三个卷积块Ⅰ还与第四个卷积块Ⅰ连接、第二个Concat层；第二个卷积块Ⅱ还与第二个Concat层连接；输入层还与第二个Concat层连接；残差网络包括第五个卷积块Ⅰ、第三个卷积块Ⅱ、第六个卷积块Ⅰ、第四个卷积块Ⅱ，其中，第五个卷积块Ⅰ和第三个卷积块Ⅱ连接，第六个卷积块Ⅰ和第四个卷积块Ⅱ连接；输入层与第五个卷积块Ⅰ连接，第三个卷积块Ⅱ与第一个Concat层连接，第一个Concat层与第六个卷积块Ⅰ连接，第四个卷积块Ⅱ与第二个Concat层连接；
步骤S2中，特征提取块Ⅰ、特征提取块Ⅱ、特征提取块Ⅲ和特征提取块Ⅳ的结构相同；
S3：构建CNN-RdNet卷积神经网络的总损失函数；
S4：利用训练集和总损失函数对CNN-RdNet卷积神经网络进行训练，得到CNN-RdNet卷积神经网络模型；
S5：将标注后的心电图数据加载到步骤S4得到的CNN-RdNet卷积神经网络模型中进行一次前向传播，输出一个范围为[0,1]的概率值以及准确率；当概率值大于0.5时，表示输入至CNN-RdNet卷积神经网络模型中的标注后的心电图为房颤图形，预测结果为房颤；当概率值小于0.5且大于0时，表示输入至CNN-RdNet卷积神经网络模型中的标注后的心电图不是房颤图形，预测结果为不是房颤。
2.根据权利要求1所述的基于卷积神经网络和ECG信号的房颤检测方法，其特征在于：步骤S1包括如下具体步骤：S1-1：从PhysioNet数据集获得1000条临床房颤的心电信号数据，构成初始数据集；
S1-2：利用Matlab R2021b软件对初始数据集中的心电信号进行处理导出得到心电图，而后，将心电图按照7:3的比例划分，得到训练集T和测试集S。
3.根据权利要求2所述的基于卷积神经网络和ECG信号的房颤检测方法，其特征在于：步骤S1-2包括如下具体步骤：
S1-2-1:将初始数据集中的1000条心电信号在Matlab R2021b软件中使用rdmat函数读取初始数据集中的心电信号，并将其读取的初始数据集中的心电信号转化为可视化的心电信号，即心电图信号；
S1-2-2：使用Matlab R2021b软件中的Signal Labeler对心电图信号的R波进行标注，得到标注后的心电图信号；
S1-2-3：将标注后的心电图信号从Matlab R2021b软件中导出，得标注后的心电图，然后将标注后的心电图按照7:3的比例划分训练集T和测试集S。
4.根据权利要求1所述的基于卷积神经网络和ECG信号的房颤检测方法，其特征在于：步骤S2中，卷积操作模块是由64个卷积核大小为3×3的卷积层依次连接而成。
5.根据权利要求1所述的基于卷积神经网络和ECG信号的房颤检测方法，其特征在于：步骤S2中，卷积块Ⅰ由卷积核大小为1×1的卷积层和LReLu层构成，卷积块Ⅱ由卷积核大小为3×3的卷积层和LReLu层构成。
6.根据权利要求1所述的基于卷积神经网络和ECG信号的房颤检测方法，其特征在于：步骤S2中，最大池化层Ⅰ、最大池化层Ⅱ和最大池化层Ⅲ的卷积核的尺寸均为2×2，全局最大池化层的卷积核的尺寸为7×7。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311558447.6A CN117257324B (zh) | 2023-11-22 | 2023-11-22 | 基于卷积神经网络和ecg信号的房颤检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311558447.6A CN117257324B (zh) | 2023-11-22 | 2023-11-22 | 基于卷积神经网络和ecg信号的房颤检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117257324A CN117257324A (zh) | 2023-12-22 |
| CN117257324B true CN117257324B (zh) | 2024-01-30 |
Family
ID=89206719
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311558447.6A Active CN117257324B (zh) | 2023-11-22 | 2023-11-22 | 基于卷积神经网络和ecg信号的房颤检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117257324B (zh) |
Citations (21)
| 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 |
| JP2018000224A (ja) * | 2016-06-27 | 2018-01-11 | 公立大学法人会津大学 | 呼吸検出装置、呼吸検出方法および呼吸検出用プログラム |
| CN110037682A (zh) * | 2019-04-01 | 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识别心律类型的方法 |
| CN110037685A (zh) * | 2019-04-01 | 2019-07-23 | 上海数创医疗科技有限公司 | 具有改进卷积神经网络识别算法的便携式心电图仪 |
| CN110037684A (zh) * | 2019-04-01 | 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识别心律类型的装置 |
| CN110379506A (zh) * | 2019-06-14 | 2019-10-25 | 杭州电子科技大学 | 针对心电图数据使用二值化神经网络的心律不齐检测方法 |
| CN110680310A (zh) * | 2019-10-21 | 2020-01-14 | 北京航空航天大学 | 基于一维密集连接卷积网络的心电信号房颤检测方法 |
| CN110840402A (zh) * | 2019-11-19 | 2020-02-28 | 山东大学 | 一种基于机器学习的房颤信号识别方法及系统 |
| WO2020047750A1 (zh) * | 2018-09-04 | 2020-03-12 | 深圳先进技术研究院 | 心律失常的检测方法、装置、电子设备及计算机存储介质 |
| CN111700609A (zh) * | 2020-07-27 | 2020-09-25 | 郑州大学 | 基于短时心电信号的房颤检测方法、装置及设备 |
| 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 |
| CN111990988A (zh) * | 2020-08-10 | 2020-11-27 | 北京航空航天大学 | 基于密集连接卷积循环神经网络的心电信号房颤检测装置 |
| CN112587153A (zh) * | 2020-12-08 | 2021-04-02 | 合肥工业大学 | 一种基于vPPG信号的端到端的非接触房颤自动检测系统和方法 |
| CN112617849A (zh) * | 2020-12-31 | 2021-04-09 | 山西三友和智慧信息技术股份有限公司 | 一种基于cnn+lstm的心房颤动检测与分类方法 |
| CN113171106A (zh) * | 2021-04-25 | 2021-07-27 | 安徽十锎信息科技有限公司 | 基于vq-vae2和深度神经网络方法的心电异常检测方法 |
| CN114224351A (zh) * | 2022-01-13 | 2022-03-25 | 浙江好络维医疗技术有限公司 | 一种基于融合多个深度学习模型的房颤识别方法 |
| WO2022119155A1 (ko) * | 2020-12-02 | 2022-06-09 | 재단법인 아산사회복지재단 | 설명 가능한 다중 심전도 부정맥 진단 장치 및 방법 |
| WO2022146057A1 (ko) * | 2020-12-29 | 2022-07-07 | 서울대학교병원 | 전기적 바이오 시그널 데이터를 수치 벡터로 변환하는 방법 및 장치, 이를 이용하여 질병을 분석하는 방법 및 장치 |
| KR20230001096A (ko) * | 2021-06-28 | 2023-01-04 | 금오공과대학교 산학협력단 | 컨볼루션 인공신경망을 이용한 심방세동과 울혈성 심부전의 분류방법 |
| CN116898451A (zh) * | 2023-07-19 | 2023-10-20 | 福州大学 | 用具有多尺度注意力机制的神经网络实现房颤预测的方法 |
| CN116999063A (zh) * | 2023-08-03 | 2023-11-07 | 哈尔滨工业大学（威海） | 基于信号分解和卷积网络的心电图房颤检测的实现方法 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105899268B (zh) * | 2015-06-23 | 2019-02-15 | 中国科学院深圳先进技术研究院 | 基于gpu的并行心电信号分析方法 |
| WO2018052586A1 (en) * | 2016-09-14 | 2018-03-22 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for multi-scale cell image segmentation using multiple parallel convolutional neural networks |
| US10602942B2 (en) * | 2017-08-25 | 2020-03-31 | Cambridge Heartwear Limited | Method of detecting abnormalities in ECG signals |
| CN111107785B (zh) * | 2017-09-21 | 2023-12-01 | 皇家飞利浦有限公司 | 使用短的单导联ecg记录来检测心房颤动 |
| KR102648122B1 (ko) * | 2017-10-25 | 2024-03-19 | 삼성전자주식회사 | 전자 장치 및 그 제어 방법 |
| CN107951485B (zh) * | 2017-11-27 | 2019-06-11 | 深圳市凯沃尔电子有限公司 | 基于人工智能自学习的动态心电图分析方法和装置 |
| CN108113666B (zh) * | 2017-12-19 | 2019-06-21 | 中国科学院深圳先进技术研究院 | 房颤信号的识别方法、装置和设备 |
| CN108478209B (zh) * | 2018-02-24 | 2021-06-11 | 上海乐普云智科技股份有限公司 | 心电信息动态监护方法和动态监护系统 |
| CN108577823B (zh) * | 2018-04-27 | 2021-02-02 | 京东方科技集团股份有限公司 | 一种心律失常检测装置和心律失常检测系统 |
| WO2020065403A1 (en) * | 2018-09-28 | 2020-04-02 | Sinha Pavel | Machine learning using structurally regularized convolutional neural network architecture |
| KR102155206B1 (ko) * | 2019-01-22 | 2020-09-11 | 조선대학교산학협력단 | 심전도 신호의 주기성을 이용한 r파 정점 검출 방법 |
| KR102171236B1 (ko) * | 2019-03-14 | 2020-10-28 | 서울시립대학교 산학협력단 | 심장 박동의 타입을 분류하는 방법 및 이를 이용한 장치 |
| KR102241799B1 (ko) * | 2020-08-06 | 2021-04-19 | 주식회사 에이티센스 | 심전도 신호의 분류 데이터를 제공하는 방법 및 전자 장치 |
| JP2023544242A (ja) * | 2020-08-10 | 2023-10-23 | コーニンクレッカ フィリップス エヌ ヴェ | 心イベントを検出及び／又は予測するための、心電図処理システム |
-
2023
- 2023-11-22 CN CN202311558447.6A patent/CN117257324B/zh active Active
Patent Citations (21)
| 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 |
| JP2018000224A (ja) * | 2016-06-27 | 2018-01-11 | 公立大学法人会津大学 | 呼吸検出装置、呼吸検出方法および呼吸検出用プログラム |
| WO2020047750A1 (zh) * | 2018-09-04 | 2020-03-12 | 深圳先进技术研究院 | 心律失常的检测方法、装置、电子设备及计算机存储介质 |
| CN110037682A (zh) * | 2019-04-01 | 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识别心律类型的方法 |
| CN110037685A (zh) * | 2019-04-01 | 2019-07-23 | 上海数创医疗科技有限公司 | 具有改进卷积神经网络识别算法的便携式心电图仪 |
| CN110037684A (zh) * | 2019-04-01 | 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识别心律类型的装置 |
| CN110379506A (zh) * | 2019-06-14 | 2019-10-25 | 杭州电子科技大学 | 针对心电图数据使用二值化神经网络的心律不齐检测方法 |
| CN110680310A (zh) * | 2019-10-21 | 2020-01-14 | 北京航空航天大学 | 基于一维密集连接卷积网络的心电信号房颤检测方法 |
| CN110840402A (zh) * | 2019-11-19 | 2020-02-28 | 山东大学 | 一种基于机器学习的房颤信号识别方法及系统 |
| CN111700609A (zh) * | 2020-07-27 | 2020-09-25 | 郑州大学 | 基于短时心电信号的房颤检测方法、装置及设备 |
| 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 |
| CN111990988A (zh) * | 2020-08-10 | 2020-11-27 | 北京航空航天大学 | 基于密集连接卷积循环神经网络的心电信号房颤检测装置 |
| WO2022119155A1 (ko) * | 2020-12-02 | 2022-06-09 | 재단법인 아산사회복지재단 | 설명 가능한 다중 심전도 부정맥 진단 장치 및 방법 |
| CN112587153A (zh) * | 2020-12-08 | 2021-04-02 | 合肥工业大学 | 一种基于vPPG信号的端到端的非接触房颤自动检测系统和方法 |
| WO2022146057A1 (ko) * | 2020-12-29 | 2022-07-07 | 서울대학교병원 | 전기적 바이오 시그널 데이터를 수치 벡터로 변환하는 방법 및 장치, 이를 이용하여 질병을 분석하는 방법 및 장치 |
| CN112617849A (zh) * | 2020-12-31 | 2021-04-09 | 山西三友和智慧信息技术股份有限公司 | 一种基于cnn+lstm的心房颤动检测与分类方法 |
| CN113171106A (zh) * | 2021-04-25 | 2021-07-27 | 安徽十锎信息科技有限公司 | 基于vq-vae2和深度神经网络方法的心电异常检测方法 |
| KR20230001096A (ko) * | 2021-06-28 | 2023-01-04 | 금오공과대학교 산학협력단 | 컨볼루션 인공신경망을 이용한 심방세동과 울혈성 심부전의 분류방법 |
| CN114224351A (zh) * | 2022-01-13 | 2022-03-25 | 浙江好络维医疗技术有限公司 | 一种基于融合多个深度学习模型的房颤识别方法 |
| CN116898451A (zh) * | 2023-07-19 | 2023-10-20 | 福州大学 | 用具有多尺度注意力机制的神经网络实现房颤预测的方法 |
| CN116999063A (zh) * | 2023-08-03 | 2023-11-07 | 哈尔滨工业大学（威海） | 基于信号分解和卷积网络的心电图房颤检测的实现方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117257324A (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bhagyalakshmi et al. | GB-SVNN: Genetic BAT assisted support vector neural network for arrhythmia classification using ECG signals | |
| Cao et al. | Atrial fibrillation detection using an improved multi-scale decomposition enhanced residual convolutional neural network | |
| CN110890155A (zh) | 一种基于导联注意力机制的多类心律失常检测方法 | |
| Benali et al. | Automatic classification of heartbeats using wavelet neural network | |
| Liu et al. | Diagnosis of arrhythmias with few abnormal ECG samples using metric-based meta learning | |
| CN106725426A (zh) | 一种心电信号分类的方法及系统 | |
| CN110638430B (zh) | 级联神经网络ecg信号心律失常分类模型的搭建方法 | |
| 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 | |
| CN110313894A (zh) | 基于卷积神经网络的心率失常分类算法 | |
| WO2024098553A1 (zh) | 一种针对心电图的分析识别方法、系统以及存储介质 | |
| Khan et al. | Electrocardiogram heartbeat classification using convolutional neural networks for the detection of cardiac Arrhythmia | |
| CN113180688A (zh) | 基于残差神经网络的冠心病心电图筛查系统及方法 | |
| CN109077720A (zh) | 信号处理方法、装置、设备和存储介质 | |
| Hussain et al. | Efficient ECG signal classification using sparsely connected radial basis function neural network | |
| Peláez et al. | Ischemia classification via ECG using MLP neural networks | |
| Li et al. | Diagnosis of atrial fibrillation based on lightweight detail-semantic network | |
| CN117257324B (zh) | 基于卷积神经网络和ecg信号的房颤检测方法 | |
| CN114451898B (zh) | 短时训练卷积神经网络的心电信号分类方法 | |
| EPMoghaddam et al. | A novel cardiac arrhythmia classification method using visibility graphs and graph convolutional network | |
| CN116898451A (zh) | 用具有多尺度注意力机制的神经网络实现房颤预测的方法 | |
| CN116172572A (zh) | 一种基于shap值加权和分段hdbscan的心拍聚类方法及系统 | |
| Balcı | A hybrid attention-based LSTM-XGBoost model for detection of ECG-based atrial fibrillation | |
| Abualkishik et al. | Early detection of cardiovascular diseases using deep learning feature fusion and MRI image analysis | |
| Rajesh et al. | A Silent Cardiac Atrial Fibrillation Detection and Classification using Deep Learning Approach | |
| Irshad et al. | Deep Learning-Based ECG Classification for Arterial Fibrillation Detection. |
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 |