基于CNN与BiLSTM相结合的心电信号分类方法

目的:基于卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)相结合的方法在心电信号数据集上训练深度学习模型,实现对心电信号的高效分类。方法:提出CNN+BiLSTM模型实现心电信号数据集分类,采用CNN对心电信号进行初步特征提取;通过BiLSTM对这些特征进行更深层次地学习,以捕捉信号中的时序信息和空间关联性。结果:通过对比实验证明CNN与BiLSTM对模型性能提升的有效性,模型分类精度为98.91%,召回率为98.71%,精确度为99.79%,F1指数为99.14%。结论:将CNN与BiLSTM相结合并应用在心电信号数据集分类,能有效提升临床诊断的精确性,为心电信号的自动分析提供了有效参考。

基于深度学习和模糊C均值的心电信号分类方法

针对长时海量心电信号自动分类系统中,心电专家诊断费时、费力和成本高,心电信号形态复杂导致特征提取困难,异常诊断模型适应性差、准确度低等问题,本文提出一种基于深度学习和模糊C均值的心电信号分类方法.该方法主要包括心电信号降噪预处理、心电信号分段和采样点统一化、无监督心跳特征学习、模糊C均值分类4个步骤,给出了模糊C均值深度信念网络FCMDBN模型结构和学习分类算法.仿真实验基于MIT-BIH心率异常数据库表明,与基于传统心电特征人工设计的分类方法相比,本文提出的信号诊断方法具有较高的适应性和准确度.

基于深度迁移学习的心电信号分类方法

针对传统的心电信号分类方法中存在模型复杂度较高且训练时间长等问题,提出深度迁移分类方法。预先使用ImageNet数据集在VGG-16网络中训练过的全网络连接层,对心电数据库(MIT-BIH)采用微调VGG-16预训练,实现基于同构数据下的特征迁移,利用分类模型训练,得到心电信号分类结果。分类训练模型采用算法复杂度评估,深度迁移学习模型相较于深度学习模型时间复杂度减少了O(102)。实验结果表明,在提升深度模型分类性能和加速心电信号训练过程上,该方法优于深度学习方法。

基于深度置信网络的心电信号分类研究

提出一种基于深度置信网络(DBN)的心电信号分类方法。在对心电信号进行滤波等预处理后,构建一个DBN,由高斯-伯努利和伯努利-伯努利两种受限玻尔兹曼机(RBM)叠加而成。预训练阶段通过对比散度(CD)算法来学习RBM参数。权值微调阶段,在DBN顶部添加一个Softmax输出层,使用反向传播算法来执行有监督的微调。使用MIT-BIH心律失常数据库对DBN进行训练和测试,实验结果表明,和传统的人工设计方法相比,该方法在心电信号分类上性能更佳。

基于卷积神经网络的心电信号分类研究

心电图(ECG)信号基本上与人体心脏的电活动相对应,所以心电图通常在医疗领域被用来检测心血管疾病。通过计算机对心电信号进行自动分类,可以帮助医生更有效地进行心血管疾病的诊断,提高准确率。该文提出了一种一维卷积神经网络模型,可从原始心电数据中提取有效特征并实现自动分类。该模型实现了对5种典型心律失常信号的分类,即正常心搏(N)、室上性早搏(S)、室性早搏(V)、心室融合心跳(F)、未分类心跳(Q)。在MIT-BIH心律失常数据库上的实验结果表明,该方法的分类准确率较高,达到了97.8%,并且稳定性也较高。

基于深度学习可分析标签相关性的心电信号分类

心血管疾病是全球主要死因之一,及早发现心脏病的风险因素对于预防猝死至关重要,基于心电图的心律失常自动检测是心脏病筛查的重要手段,对降低心脏病死亡率至关重要。临床上同一患者可能同时出现多个心电异常类型,因此,解决心电图数据中多标签问题且考虑标签关系显得尤为关键。本文提出了一个可分析心电图多标签相关性的卷积神经网络分类模型,该模型包含三个模块:空间特征提取模块,卷积神经网络作为基础架构,用来提取心电图的特征;标签与特征相关性嵌入学习模块,用于探索标签之间的相关性,并将标签与特征相关性嵌入信息融合到特征空间中;解码器模块,用于预测相应心律失常类别。为解决样本不均衡,采用非对称损失函数平衡正负标签。通过对两个心电数据集进行实验,实验结果显示,本文提出的模型相较于现有心电图分类方法,表现更优异。

基于贝塞尔曲线拟合的心电信号模式分类方法

提出了一种以心电信号形态特征为基础,基于信号分段特征提取,结合三阶贝塞尔函数和自组织神经网络的心电信号分类方法。首先分析了心电信号的形态特点,讨论了心电信号的分段方法,重点研究了结合贝塞尔函数的心电信号特征提取方法。最后,应用自组织神经网络对心电信号特征机型分类验证,结合使用MIT-BIH心电信号数据库的112605条数据进行实验。使用贝塞尔函数可以达到很好的特征提取效果,结合自组织神经网络可以达到较好的分类效果。实验结果表明,特征提取方法能够提高特征的有效性以及分类器的准确率。

基于对抗域适应的心电信号深度学习分类算法

心血管疾病已成为威胁人类生命健康的主要疾病之一。心电图是临床上常见的诊断心律失常的重要方法并被广泛用于监测心脏病患者的健康状况。由于现有的医疗资源匮乏,使用人工智能的方法来分析和诊断从而克服这些局限性的需求愈加迫切,在临床中使用自动检测和分类方法,可以帮助医生对疾病做出准确、快速的诊断。本文对8种常见的心律失常类型进行分类,提出一种基于对抗域自适应的心电信号深度学习分类的方法,解决并改善训练样本标注不足和个体差异导致的数据分布差异现象等问题。该方法包括3个模块:多尺度特征提取A模块、域识别B模块和多分类器C模块。A模块由2组不同的并行卷积块组成,增加了特征提取的宽度。B模块由3个卷积块和1个全连接层组成,用于充分提取浅层特征。在C模块中,将时间特征和深度学习提取特征串联在全连接层上,增强特征多样性。实验结果表明,该方法在准确率、敏感性和阳性预测值上可达到98.8%、97.9%和98.1%,所提出的模型可以帮助医生在常规心电图中准确地检测不同类别的心律失常。

基于多核超限学习机的实时心电信号分析

心电分类是一种复杂的模式识别问题。目前,大部分基于不同机器学习模型的心电分类方法都取得了很高的分类精度,但学习效率不高,因此需要一种快速的心电学习方法。文章提出了基于多种核函数的超限学习方法,利用不同的核函数将特征映射到希尔伯特空间,使心电数据在高维空间中线性可分,并在MIT-BIH标准库进行了该方法的实验验证。与其他方法相比,文章所提出的方法具有较高的分类准确率和更快的学习速度,对临床上动态心电图的检测与分析和个性化的实时心电监测具有重要意义。

基于孪生网络的心电信号智能诊断模型

在构建医学心电信号分类模型时,现有数据库中正样本和负样本存在类别不平衡的问题,即正常心电数据往往多于异常心电数据,从而导致所构建的模型会产生一定的偏差,影响模型最终的分类结果。利用现有12导联心电诊断数据集构建心电信号分类模型,结合对比学习的方法,在传统网络基础上利用孪生网络结构对模型进行预训练,每条心电信号分别与其对应的正例和反例进行匹配得到样本对,并将孪生网络提取的判别特征用于下游任务进行分类。实验表明,基于对比学习预训练范式能够更好地提取心电信号特征,对于克服心电数据不平衡问题有显著效果,该方法可有效地利用了大量正样本,因此基于孪生网络结构的预训练模型所提取的特征判别性能优于传统特征提取模型。测试集上的准确率达到了96.55%,假阳性率6.91%,漏诊率仅2%。

基于梯度幅值方向调整的心电信号多任务分类算法

心血管疾病对人类生命健康安全的威胁日益严重,通过心电信号可进行相关疾病的诊断分类。现有的心电分类算法大多采用单任务学习模型,无法综合利用多个任务中的互补特征,而多任务学习模型可同时学习多个相关任务,共享相关任务特征,有助于提高多任务的分类表现。结合深度学习和多任务学习两种方法,提出了一种基于损失优化的心电信号多任务分类算法,将心电信号的多分类任务分解为多个二分类任务,从任务梯度的幅值和方向两方面进行损失优化,避免手动设置任务损失权重以及任务损失相互抵消而产生的负迁移,从而提升心电信号多分类任务的性能。在PTB-XL数据库上将心电信号23类分类任务分解为23个二分类任务来评估所提出的算法。实验结果表明,所提算法的宏观曲线下平均面积(AUC)达到0.950,准确率达到96.50%,基于标签的宏观F1分数达到0.583,基于样本的F1分数达到0.777。与单任务学习算法相比,所提算法在心电信号的多分类方面表现出良好的性能。

基于双阶段特征提取网络的ECG降噪分类算法

临床采集到的标准12导联心电图常含有噪声,影响了心电信号分类结果的准确度,为此提出了一种基于双阶段特征提取网络的心电图(ECG)降噪分类算法。首先,在空间特征提取阶段,由深度耦合软阈值化去噪方法的残差收缩网络从输入的12导联标准心电信号中提取空间特征;其次,在时间特征提取阶段,由长短期记忆网络与注意力机制结合继续从心电信号中提取时间特征;最后,通过全连接网络层融合提取到的空间特征与时间特征,输出9个类别的概率预测分布。在CPSC2018数据集上与其他同类型先进分类算法进行了对比实验,验证所提算法的效果,实验结果表明:提出的分类算法在对9类ECG信号进行分类时平均F1分数达到0.854,在各项指标上表现更优。此外,实验证明所提算法在含噪数据中的表现也优于其他主流网络,充分证明了所提算法对于含噪心电信号的降噪分类性能,该算法也可应用于其他类似含噪声生理信号的分析和处理。

一种集成CNN模型及其在ECG信号分类中的应用

针对复杂非线性多通道时变信号模式分类问题,提出了一种集成卷积神经网络(CNN)与随机森林(RF)相融合的方法。该方法以CNN为基学习器,自动提取信号样本的抽样特征,同时省去降维与人工选择特征的过程,以RF为次级学习器,增加样本扰动,同时增加属性扰动。为增强样本多样性,使得该模型尽可能充分利用信息,在训练集中随机抽取7份子训练集,再利用7份子训练集训练出7个不同的学习器;最后通过投票法和学习法建立集成模型,提高了识别精度。实验结果表明,在测量区间上,该方法对3种ECG信号类别的平均分类精度达94.60%,提高了1.1%,取得了良好结果,验证了模型和算法的有效性。

基于PSOFS和TSK模糊系统的不平衡心电数据分类算法

提出基于粒子群优化特征选择(PSOFS)算法和TSK(Takagi-Sugeno-Kang)模糊系统的心电信号分类模型,即基于PSOFS和TSK的并行集成模糊神经网络(PE-PT-FN),用于心电图预测。首先对训练集中的各类样本进行随机放回抽样,然后将抽样得到的样本合并在一起,再独立且并行地通过PSOFS算法进行特征选择。PSOFS算法中不同的位置表示不同的特征子集,初始位置随机的粒子经过多次迭代收敛至最佳位置。每个子集得到一个特征子集用于并行训练多组独立的小型TSK模糊神经网络(TSK-FNN)。模糊系统的可解释性和PSOFS算法挑选出来的特征子集能有效地帮助医学研究者找出心电信号数据与不同类型病例之间的关联。实验证明,PE-PT-FN在保留可解释性的前提下,能将预测结果的宏召回率提升至92.35%。

面向心电检测的混合多模卷积神经网络加速器设计

随着医疗资源日益匮乏以及人口老龄化日趋严重,心血管疾病已对人类健康造成了极大的威胁。具有心电(ECG)检测的便携式设备能有效降低心血管疾病对患者的威胁,因此该文设计了一种面向心电检测的混合多模卷积神经网络加速器。该文首先介绍了一种用于心电信号分类的1维卷积神经网络(1D-CNN)模型,随后针对该模型设计了一种高效的卷积神经网络(CNN)加速器,该加速器采用了一种多并行展开策略和多数据流的运算模式完成了卷积循环的加速和优化,能在时间上和空间上高度复用数据,同时提高了硬件资源利用率,从而提升了硬件加速器的硬件效率。最后基于Xilinx ZC706硬件平台完成了原型验证,结果显示,所设计卷积神经网络加速器消耗的资源为2247 LUTs, 80 DSPs。在200 MHz的工作频率下,该设计的整体性能可达到28.1 GOPS,并且硬件效率达到了12.82 GOPS/kLUT。

基于注意力机制与卷积神经网络的不均衡多标签心电图分类方法研究

心血管疾病是全球主要死因之一,及早发现心脏病的风险因素对于预防猝死至关重要,基于心电图的心律失常自动检测是心脏病筛查的重要手段,对降低心脏病死亡率至关重要。临床上同一患者可能同时出现多个心电异常类型,因此,解决心电图数据中多标签问题且考虑标签关系显得尤为重要。本文提出了一个多标签心电图分类模型,包括卷积神经网络、Transformer和注意力机制等模块,其中卷积神经网络用于提取局部特征,Transformer用于提取全局特征,采用非对称损失函数平衡正负标签。对两个心电数据集进行实验,实验结果表明,本文提出的模型相较于现有心电图分类方法,表现更优异。

融合残差网络与自注意力机制的心律失常分类

在心血管疾病的诊断中,心电信号的分析一直起到至关重要的作用。目前如何利用算法有效识别出信号中的异常心拍,仍然是心电信号分析领域中的难点。本文将深度残差网络与自注意力机制相结合,提出了一种能够自动识别出异常心拍的分类模型,该模型首先基于残差结构设计了18层卷积神经网络,用来充分提取信号中的局部特征,之后再结合双向门控循环单元,用于提高网络对于时序特征的挖掘能力,最后引入自注意力机制为提取到的每一个特征赋予区分化的权重,协助模型在训练的过程中更有效地关注重要特征,以此来获得较高的分类精度。本研究采用多种方式进行数据增强,缓解了由于数据不平衡问题对模型效果带来的影响。本研究实验数据来源于麻省理工学院与贝斯以色列医院(MIT-BIH)构建的心律失常数据库,最终结果表明,研究提出的模型在原始数据集上达到了98.33%的总体准确率,在优化后的数据集中达到了99.12%的总体准确率,证明了该模型在心电信号分类方面拥有良好的效果,具备应用到便携式心电检测设备的潜在价值。