基于复合特征和FOAGRNN的心电图分类

为提高心电图分类的准确度,提出一种基于复合特征和FOAGRNN的心电图分类方法.该方法首先用核独立主元分析(KICA)对心电信号进行非线性特征提取得到特征向量A,其次采用小波包变换对心电信号进行多尺度分解,提取小波包节点系数重构后的归一化能量组成特征向量B,A和B组合成复合特征向量C作为心电信号特征,再者利用果蝇算法(FOA)优化广义回归神经网络(GRNN)参数构建出FOAGRNN模型,最后利用优化后的分类模型对心电特征进行识别分类.仿真实验结果表明,FOAGRNN分类方法较其它方法具有很高的分类准确度,分类正确率可达到99.0%.

基于卷积神经网络的心电图分类研究

目的:构建一种有效的心电图分类算法,以实现对正常心电图与异常心电图的准确、可靠识别。方法:对来源于PhysioNet开源数据库的基于.dat文件的心电图信号进行预处理及扩充,构建卷积神经网络模型并优化批尺寸(batchsize)、正则化参数(l2_regularizer)、学习率(learningrate)、丢弃值(dropout)、训练步数(epoch)5个超参数,并进行算法性能评价实验。选用的性能评价指标包括准确率、灵敏度和整体指标F1值。结果:经过研究表明,提出的基于.dat文件的心电图正异常识别算法准确率达90%,灵敏度为89.7%,F1值为90.4%。结论:构建的基于心电图信号的分类识别算法能够高效、可靠地识别心电图,具有潜在的临床应用价值。

《Minnesota编码的心电图分类法》程序设计——附1423例老年人心电图分析

Minnesota编码分类是世界卫生组织推荐的人群普查的心电图分类法.但是,过去国内由于缺乏统一标准及统一诊断分类标准,因而资料可比性较差.为此,我们编制了此种心电分类法的电脑程序,并对1423例老年人心电图作了分析.这样对各种复杂的心电图按其改变特点进行归纳分类,使分析心电图时有一个统一的规范标准。

基于改进射线拟合法的多导联心电图神经网络分类系统

我们基于心电图特征提取与神经网络分类,提出了一种模拟现实的心电图分类方法,首先应用改进的心电图射线拟合理论,得到心电图多导联的特征;并根据心电图疾病分析的原理与实际诊断的特点,得到一个能对多导联心电图数据疾病类型进行分类的神经网络,为心电图自动分析提出了一个新的思路。经M IT-B IH心电数据库部分波形试验证明,该方法具有较高准确率,对学习过的波形分类正确率为100%,未学习过的78.2%。

基于小波特征提取的多导联心电图神经网络分类

目的研究得到高效、快速、高准确率的心电图的分类方法。方法运用Mexicanhat小波检测多导联心电信号的特征点,然后运用径向基函数网络对特征进行分类。结果经过MITBIH心电数据库波形试验,并与别的实验比较证明,该方法具有较高准确率,对学习过的波形分类正确率达到100.0%,未学习过的86.6%。结论结合心电图的特点得到高准确率的分类方法。

基于可穿戴设备的心电图自适应分类算法研究

目前,心血管疾病已成为全球人类非传染性死亡的主要原因,死亡人数约占全球死亡总人数的1/3,且患病人数逐年增加。可穿戴设备被用于对心电图进行自动分类,以实现对心血管疾病的早监测、早预防。随着边缘机器学习和联邦学习的兴起,小型机器学习模型成为了人们关注的热点。针对可穿戴心电图设备低配置、低功耗及个性化的特点,文中研究了一种基于LSTM的轻量级网络结构,并采用自适应算法来优化病人个体的心电图分类模型。该模型利用MIT-BIH公开数据集开展实验,将VEB和SVEB的分类效果与其他相关研究进行了比较。实验结果表明,所提算法的模型结构简单且分类识别率高,能够满足可穿戴设备对病人心电图监测的需求。

非ST段抬高急性心肌梗死患者心电图分类及近期预后

急性心肌梗死（AMI）目前分为ST段抬高和非ST段抬高两类。非ST段抬高的AMI（NSTEMI）一般认为病情较轻，预后较好。但我们观察发现NSTEMI患者有部分病情凶险，预后差，其心电图表现有一定特征。我们对其分类，以提高对该类患者的认识。

心电图模式分类方法研究进展与分析

心电图模式分类是模式识别研究的经典应用之一,在可穿戴心电图设备、动态心电图诊断、重症监护以及疾病与心脏活动关系研究等方面具有重要的应用价值。讨论面向实际应用的心电图模式分类工作的可能方法,归纳近年来心电图模式分类技术在知识推理模型、结构模式识别、统计模式识别等方面的研究进展,并在此基础上做分析与展望。同时论述心电图模式分类研究所面临的主要挑战,即面向实际数据的分类器构建、心电图数据库的标注、分类模型评估标准和领域特征表示问题,并探讨可能的解决途径。

基于小波变换的12-导联心电图特征提取方法

提出了一种基于小波多分辨分析的算法对心电信号进行特征提取和识别.通过小波变换对常规12-导联心电图进行分段和特征提取,并利用支撑向量机和提取的特征向量对未知心电图进行分类.实验结果表明该方法具有较好的应用前景.

基于堆叠式双向LSTM的心电图自动识别算法

针对日趋增长的心电图数据分析需求,提出了一种新的心电图分类算法。首先对原始数据进行截断固定长度、样本均衡、求取信号的瞬时频率和光谱熵等预处理操作,数据经过预处理后模型能够更好地从其中提取特征进行学习;在训练过程中采用两个双向LSTM(BILSIM)网络堆叠组成的模型,堆叠式的双向LSTM(BILSIM)模型是一种改进的循环神经网络模型,相较于卷积神经网络,循环神经网络更加适合用来处理像心电图这样的序列数据。该模型在Windows下的MATLAB2018b上进行训练和测试,CUDA版本为9.0,采用分类准确率作为衡量模型性能的指标在两个数据集上进行了测试,一个是2017年生理信号挑战赛的数据(下文简称2017数据集),该模型在此数据集上最终分类准确率为97.4%;另一个是2018年生理信号挑战赛的数据(下文简称2018数据集),最终的分类准确率为77.6%,并在所属的MATLAB组获得了第三名的成绩。该算法与传统LSTM网络的结果相比,在2017数据集上提升了5.6%的准确率,在2018数据集上提升了7.6%的准确率;与单层的双向LSTM网络的结果相比,在2017数据集上提升了4.2%的准确率,在2018数据集上提升了5.7%的准确率,这充分验证了该算法的可行性和优势。

脑梗塞部位与心电图异常的相关性探讨

脑梗塞可并发多种心电图改变,国内外已有报道。本文报道我院1995年3月-1997年4月间259例经颅脑CT扫描并做心电图检查的脑梗塞患者的心电图改变。以比较脑梗塞部位与心电图改变的相互关系。 1 临床资科 本组男163例,女96例,年龄33～79岁,平均60.2岁。患者均在接诊或入院24小时内进行常规12导联心电图检查。1～7天内行头频CT扫描。

肾综合征出血热152例心电图分析

肾综合征出血热(HFRS)致心血管表现,早已引起人们注意,近年来,在临床工作中常常遇到。本文对我院3年来收治的152例患者心电图作一总结分析。 1 资料与方法 152例均是我院自1996年1月至1999年1月住院患者,其中男86例,女66例,诊断标准符合1986年(南京)流行性出血热学术会议所订标准,所有病例均于入院后6h内行常规床边12导联心电图,以后在发热期,低血压期、少尿期、多尿期、恢复期均复查常规心电图,其中6例子心电监护或Holter检查。所有病例入院后立即行血常规、尿液分析、血电解质、尿素氮。

基于支持向量机算法的ECG分类策略

心电信号（ECG）对医生诊断心脏疾病极为重要。现存许多ECG分类技术存在实现困难，处理时间长和只能对2～3类的ECG进行分类的不足。我们提出了一类基于SVM的ECG分类的崭新的方法，阐明了SVM对ECG分类的基本思想。与传统的神经网络分类相比，在理论上该方法优于神经网络，因为支持向量机考虑的是测试样本的最小化而不是训练样本的最小化。

结合卷积神经网络与注意力机制的多域特征融合ECG心率失常分类

心率失常是心血管疾病诊断的重要手段,其自动分类具有重要的临床意义。为了提高心率失常分类的准确性,结合一维卷积神经网络(Convolutional Neural Networks,CNN)和注意力机制(Attention)提出了一种CNN+Attention的深度学习模型,使用CNN提取心电信号的一维时域特征。针对一维时序心电信号时域特征表征能力有限的问题,使用短时傅里叶变换(Short-Time Fourier transform,STFT)将心电信号变换到时频域,通过Attention提取心电信号的时频域全局相关依赖关系,将时域与时频域特征融合对5种类型心电信号进行分类。在MIT-BIH数据集上验证了模型的有效性,所提模型对5种类型心电信号的平均分类准确率、精准率、召回率、灵敏度以及F1_Score分别为99.72%、98.55%、99.46%、99.90%以及99.00%。与已有先进方法对比,验证了所提模型具有先进的性能表现。

基于最大散度的特征搜索算法用于心搏分类的研究

在对心电图进行离散小波变换获得特征空间的基础上,提出了基于最大散度的特征搜索算法。对特征空间进行搜索得到不同维数下的优化特征组合,通过研究这些优化特征组合的散度值随维数的变化趋势,最终确定特征向量的特征构成,并以此特征向量训练BP神经网络。取自MIT-BIH数据库的四类心电图(正常心搏、左束支传导阻滞心搏、右束支传导阻滞心搏和起搏心搏)的分类正确率达到93.9%,检出率较高。

降噪自编码器深度卷积过程神经网络及在时变信号分类中的应用

针对非线性时变信号分类问题,将过程神经网络(PNN)的信息处理机制与卷积运算相结合,提出了一种降噪自编码器深度卷积过程神经网络(DAE-DCPNN)。该模型由时变信号输入层、卷积过程神经元(CPN)隐层、深度降噪自动编码器(DAE)网络结构和softmax分类器构成。CPN的输入为时序信号,卷积核取为具有梯度性质的5阶数组,基于滑动窗口进行卷积运算,实现时序信号的时空聚合和过程特征提取。在CPN隐层之后,栈式叠加DAE深度网络和softmax分类器,实现对时变信号特征高层次的提取和分类。分析了DAE-DCPNN的性质,给出了按各信息单元分别进行赋初值训练、模型参数整体调优的综合训练算法。以基于12导联心电图(ECG)信号对7种心血管疾病分类诊断为例,实验结果验证了所提模型和算法的有效性。

非ST段抬高心肌梗死患者心电图新分类的临床意义

目的探讨依据心电图对非ST段抬高心肌梗死(NSTEMI)患者进行新分类的临床意义。方法抽取2016年2月至2019年12月于河南省人民医院早期行急诊冠状动脉介入治疗的232例NSTEMI患者,依据心电图ST段有无偏移分为ST段压低组(154例)和ST段无偏移组(78例),分析两组患者的临床特征、冠状造影特点及主要心血管不良事件发生率。结果与ST段无偏移组比较,ST段压低组患者年龄偏大,女性相对多见,心肌梗死及糖尿病病史较常见(P<0.05)。冠状动脉造影结果显示,ST段无偏移组患者梗死相关动脉以回旋支多见,且病变部位多位于中远段。ST段压低组术前心肌梗死溶栓试验分级0、1级者比例及多支血管病变、侧支循环患者比例(50.8%,78/154;16.2%,25/154;68.2%,105/154;42.2%,65/154)均高于ST段无偏移组(23.1%,18/78;6.3%,5/78;37.2%,29/78;15.4%,12/78),P均<0.05。ST段压低组心力衰竭和心源性休克的发生率(10.4%,16/154;8.4%,13/154)高于ST段无偏移组(2.6%,2/78;1.3%,1/78),P<0.05。结论NSTEMI可依据心电图细分为ST段无偏移型和ST段压低型两类,为指导NSTEMI患者的危险分层及选择最佳的治疗方式提供理论依据。

穴位埋线治疗心律失常30例

穴位埋线治疗心律失常３０例马逸，曹春（吉林市中心医院循环内科）近年来我们应用穴位埋线治疗心律失常患者３０例，取得较为满意的疗效，现报道如下：本组３０例患者中，男性１４例，女性１６例，年龄最小１８岁，最大５５岁，１８～４０岁１８例，４１岁以上１２例，病...

基于金字塔卷积结构的深度残差网络心电信号分类方法研究

近年来,深度神经网络(DNNs)已广泛应用于心电图(ECG)信号分类领域,但是以往的模型从原始ECG数据中提取特征信息受限。因此,本文提出了一种基于金字塔型卷积层的深度残差网络(PC-DRN)算法,该算法中包含的金字塔型卷积(PC)层可以从原始ECG数据中同时提取多尺度特征,并采用深度残差网络训练ECG信号分类模型,可以实现对ECG信号的分类。本文使用2017心脏病学挑战赛(CinC2017)提供的公开数据集,验证本文提出方法对4类ECG数据的分类效果。本文选取精度和召回率之间的谐波均值F1作为主要评价指标。实验结果表明,PC-DRN的平均序列级别F1(SeqF1)从0.857提升到了0.920,平均集合级别F1(SetF1)从0.876提升到了0.925。因此,本文提出的PC-DRN算法为ECG信号的特征提取和分类提供了一种新的思路,为心律失常的分类诊断提供了有效的手段。