基于卷积神经网络的ECG心律失常分类研究

基于心电信号进行心律失常自动检测和分类识别研究,辅助临床医生进行心血管相关疾病诊断。采用MIT-BIH数据库作为数据源,对该数据库心电数据进行小波分解与重构去噪后,构建卷积神经网络模型,结合Adam优化器,并优化丢弃值、训练步数和批大小三个超参数来优化模型,使用准确率、灵敏性和正预测率三个指标评价模型性能。实验结果表明,模型实现心律失常五分类的整体准确率大于99%,与现有模型性能相比,准确率提升1.2%。

以BP神经网络为工具的短时ECG信号情感分类

针对目前生理信号情感识别领域采用的生理信号种类太多或使用的生信号长度较长的问题,本文使用BP神经网络对单一、短时ECG信号进行情感识别分类,并对识别时间进行了估计。通过诱发被试喜、怒、哀、惧和平静5种基本情感状态,采集到ECG生理信号,处理后利用神经网络建立模型。实验结果表明,本文方法得到的情感分类的平均识别率为89.14%,且生理信号进行特征提取和识别分类的时间总和小于0.15s,有效地降低了对生理信号种类和窗口长度的依赖。

Cardiac arrhythmias detection in an ECG beat signal using fast fourier transform and artificial neural network

Cardiac Arrhythmias shows a condition of abnor-mal electrical activity in the heart which is a threat to humans. This paper presents a method to analyze electrocardiogram (ECG) signal, extract the fea-tures, for the classification of heart beats according to different arrhythmias. Data were obtained from 40 records of the MIT-BIH arrhythmia database (only one lead). Cardiac arrhythmias which are found are Tachycardia, Bradycardia, Supraventricular Tachycardia, Incomplete Bundle Branch Block, Bundle Branch Block, Ventricular Tachycardia. A learning dataset for the neural network was obtained from a twenty records set which were manually classified using MIT-BIH Arrhythmia Database Directory and docu- mentation, taking advantage of the professional experience of a cardiologist. Fast Fourier transforms are used to identify the peaks in the ECG signal and then Neural Networks are applied to identify the diseases. Levenberg Marquardt Back-Propagation algorithm is used to train the network. The results obtained have better efficiency then the previously proposed methods.

Fetal ECG Extraction from Maternal Abdominal ECG Using Neural Network

FECG (Fetal ECG) signal contains potentially precise information that could assist clinicians in making more appro-priate and timely decisions during pregnancy and labor. The extraction and detection of the FECG signal from com-posite maternal abdominal signals with powerful and advance methodologies is becoming a very important requirement in fetal monitoring. The purpose of this paper is to illustrate the developed algorithms on FECG signal extraction from the abdominal ECG signal using Neural Network approach to provide efficient and effective ways of separating and understanding the FECG signal and its nature. The FECG signal was isolated from the abdominal signal by neural network approach with different learning constant value and momentum as well so that acceptable signal can be con-sidered. According to the output it can be said that the algorithm is working satisfactory on high learning rate and low momentum value. The method appears to be exceedingly robust, correctly isolate the FECG signal from abdominal ECG.

Fetal ECG Extraction Based on Adaptive Linear Neural Network

Fetal ECG extraction has the vital significance for fetal monitoring.This paper introduces a method of extracting fetal ECG based on adaptive linear neural network.The method can be realized by training a small quantity of data.In addition,a better result can be achieved by improving neural network structure.Thus,more easily identified fetal ECG can be extracted.Experimental results show that the adaptive linear neural network can be used to extract fetal ECG from maternal abdominal signal effectively.What's more,a clearer fetal ECG can be extracted by improving neural network structure.

Preliminary Biometrics of ECG Signal Based on Temporal Organization through the Implementation of a Multilayer Perceptron Neural Network

The attributes of the ECG signal signifying the unique electrical properties of the heart offer the opportunity to expand the realm of biometrics, which pertains the identification of an individual based on physical characteristics. The temporal organization of the ECG signal offers a basis for composing a machine learning feature set. The four attributes of the feature set are derived through software automation enabled by Python. These four attributes are the temporal differential of the P wave maximum and T wave maximum relative to the R wave maximum and the Q wave minimum and S wave minimum relative to the R wave maximum. The multilayer perceptron neural network was applied and evaluated in terms of classification accuracy and time to develop the model. Superior performance was achieved with respect to a reduced feature set considering only the temporal differential of the P wave maximum and T wave maximum relative to the R wave maximum by comparison to all four attributes applied to the feature set and the temporal differential of the Q wave minimum and S wave minimum relative to the R wave maximum. With these preliminary findings and the advent of portable and wearable devices for the acquisition of the ECG signal, the temporal organization of the ECG signal offers robust potential for the field of biometrics.

基于生成对抗网络的PPG⁃ECG信号转换方法

心电(Electrocardiogram,ECG)信号的长期检测与评估对心血管疾病的诊断和预防至关重要。心电信号的检测通常需要在患者身上安装电极,易使受试者产生不适感,适用范围有限。相对而言,使用光电容积描记法(Photoplethysmography,PPG)检测得到的脉搏波(Pulse wave)信号不仅包含丰富的心血管生理和病理信息,而且易于测量。考虑到PPG与ECG信号间存在固有的映射关系,本文基于生成对抗网络(Generative adversarial network,GAN)提出了一种将PPG转换为ECG信号的模型。该模型生成器由Unet模型组成,并且在特征图融合方面参考了Unet++的结构,而其判别器由卷积神经网络组成。在训练过程中,采用梯度惩罚方式增加了生成模型的稳定性。基于公用数据集进行了实验,通过对比53名受试者样本的处理结果,新模型所生成ECG信号的均方根误差(Root mean square error,RMSE)、Pearson相关系数(ρ)和Fréchet距离(Fréchet distance,FD)三个指标分别提升了3.4%、5.5%和0.4%,证明新模型具有更好的PPG⁃ECG转换效果。

ART2 Networks Used for Paced ECG Analysis

The PQRST segment which include the major information in a heart beatis detected and used as the input pattern to cluster by ART2 model. The parametersof pacemaker which consist of pulse, QRS characteristics, clustering results andprogrammed parameters are combined in analyzing paced ECG (PECG) synthetically.

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。

基于多阶人工神经网络的ECG信号诊断模型研究

目前已经有多种不同的ECG(心电图)信号辅助诊断工具得到应用,其中包含了基于人工神经网络的ECG分类器应用系统。本文介绍一种基于多阶前馈人工神经网络的新型ECG信号诊断模型,其目标是设计一种结构简单、成本低、响应速度快,识别率高的ECG信号辅助诊断系统。首先给出多个不同结构的神经网络,然后针对6种不同的心脏状况,比较这些神经网络之间的性能差异和辨别能力。网络的输入数据来自于M IT/B IH数据库,包括12种ECG特征信号和相应的每次心脏搏动的13段压缩信号。通过研究测试发现,基于二阶神经网络的ECG模型识别率最高,正确率达到了90.57%。

基于小波神经网络的ECG数据压缩研究

应用变学习速率、变动量因子的BP神经网络和传统小波变换相结合,构造了一种小波神经网络,实现了高压缩比的ECG数据压缩,该算法除了具有泛化能力强、收敛速度快的特点外,还兼具了多分辨和自适应特性,有较强的特征提取能力。实验结果表明使用该算法进行ECG压缩,可以获得较高的压缩比和保真度,并且复杂度低,在异常ECG波形出现时仍可保持较好的实时性。

心电图检查规范操作对远程心电网络心电图质控的重要性

目的探讨心电图检查规范操作对远程心电网络心电图质控的重要性。方法分析咸阳市第一人民医院智慧心电中心在2022年1月1日至2023年6月30日通过网络传输接收的心电图,以每半年为一个阶段,在此期间进行有针对性的心电图检查操作培训,比较各阶段心电图存在的图形质量问题及存在质量问题的心电图数量。结果经过定期对临床医护人员的心电图操作培训,并进行仪器维护,心电图图形质量得到了较大改善。结论远程心电网络心电图规范操作直接影响到心电图的诊断准确性,定期对临床医护人员进行心电图操作的规范化培训,可以提升心电图检查结果的准确性,避免医疗不良事件的发生。

基于改进型蚁群神经网络的ECG心搏分类器

采用改进型蚁群算法优化神经网络模型,构造一个蚁群神经网络的ECG分类器,并对MIT/BIH心律失常数据库中的4类心搏进行分类.结果表明,本文的蚁群神经网络能改善网络性能,有效地避免局部极优,提高训练速度,获得了比BP算法更好的心搏分类性能.

远程心电监护中ECG信号的提取

远程心电监护中采集到的心电信号往往包含较严重的噪声干扰,给医生的诊断带来了困难,针对这一问题,介绍了一种基于人工神经网络和自适应噪声抵消的ECG信号自动提取方法;用一个三层BP网络来代替自适应抵消中常用的线性滤波器,对原始ECG信号进行自适应滤波。通过Matlab/Simulink进行仿真;结果表明该方法能够很好地适应噪声的非线性特性,用于远程心电监护中强噪声背景下的ECG信号提取,取得了令人满意的效果。

基于Android和Internet技术的远程ECG诊断系统研究

心脏病已经成为危害人类健康的主要疾病之一,心电图为诊断心脏病的主要手段。从低成本、高可靠性、实时性和患者的活动范围受限等需求出发,提出了一种基于手机APP和B/S网络结构的远程心电图诊断系统:即患者或者医生通过手机APP实现便携式监护终端、无线网络及中心服务器的互联,医院中心工作站对通过4G网络传输获取的数据进行存储、分析、管理,最后医生通过访问后台数据库来查看患者的生理参数等,实现医生与患者间的远程交流并给出诊断意见。实验结果表明,该系统稳定可靠,运行效果良好,能满足病人随时随地监护的需求。

一种改进的ECG分类神经网络方法

本文引入信息熵作为惩罚函数，加入到神经网络的代价函数中．经过训练获得了更有组织的隐层神经元激励模式，每个输入样本仅使隐层少数神经元产生响应．经过本文提出的裁剪算法的裁剪后，减小了网络的规模，提高了神经网络的泛化能力和计算效率．文中的ＥＣＧ分类也证实了这一结果．

基于卷积神经网络与通道和空间注意力机制的房颤预测模型研究

目的采用人工智能技术提出一种模型,以对房颤进行早期预防和诊断。方法提出一种基于卷积神经网络(convolutional neural network,CNN)与通道和空间注意力机制(convolutional block attention module,CBAM)的模型用于对房颤的诊断与预测。结果根据长期心房颤动数据库、MIT-BIH心房颤动数据库和MIT-BIH正常窦性心律数据库的数据,提出的模型在全盲的情况下总体准确率达94.2%。结论提出的模型满足了医学心电图解释的需要,为房颤的预测研究提供了新思路。

多层前向神经网络在ECG信号滤波中的应用

针对心电信号检测中主要存在的几类噪声,利用BP神经网络的非线性映射能力设计了基于BP神经网络的非线性滤波器,实现了对心电信号中工频干扰、基线漂移、电极移动等噪声的滤除。经仿真与实验验证表明,该方案对于工频干扰、基线漂移、电极移动等噪声均有较好的滤波效果,且算法具有较好的收敛特性,还可以方便地实现非线性滤波。

基于ART2神经网络的动态ECG数据压缩算法

采用ＡＲＴ（ＡｄａｐｔｉｖｅＲｅｓｏｎａｎｃｅＴｈｅｏｒｙ）神经网络中的适应于模拟信号输入的ＡＲＴ２网络结构，提出了一种动态ＥＣＧ数据压缩算法。借助于ＡＲＴ２优良的模式识别特性，该算法能实现高压缩比和高压缩精度的动态ＥＣＧ数据压缩。ＡＲＴ２网络能迅速识别已学习样本及事先未知的新样本，因此该算法不仅能快速适应各种未知ＥＣＧ信号的动态变化，而且提高了算法的运行速度和数据压缩比。

一种新型ZigBee无线ECG采集分析系统

无线ECG心电采集和分析系统是一种新兴的、有广阔发展前景的医疗器械。基于CC2530ZigBee模块和Cortex M3处理器,设计并实现了远距离无线心电采集分析系统。该系统采集人体心电信号,通过CC2530模块建立ZigBee网络,将采集节点采到的信号发送到协调器。协调器再将信号送至Cortex M3高性能处理器显示和处理,供医疗人员初步分析诊断,系统还可将ECG信号送至上位机作进一步处理和分析。本系统具有抗干扰能力强、可靠性好、功耗低、体积小等特点,可以广泛应用于医院和社区医疗站等。