-
公开(公告)号：CN112957054B
公开(公告)日：2023-06-23
申请号：CN202110092953.5
申请日：2021-01-25
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于通道注意力分组残差网络的12导联心电信号分类方法，由于原始12导联心电信号的长度不一或时间过长，无法对其直接分类，需要对每条记录以等长的时间间隔分割处理，把分割好心电信号片段经过SIFT变换到频域中，得到频谱图，然后对频谱图取对数最后得到对数频谱图，然后将对数频谱图输入到设计好的基于通道注意力分组残差网络(XSENet)网络中进行分类。该方法的主干网络主要采用分组残差网络和Senet结合的思想。该方法具有分类识别率高等优点。该主干网络的输入为12导联心电信号在频域上取对数后的频谱图，每个输出分别为所属类别的概率，是一种端对端的心电信号分类方法；本发明降低了解决问题的繁琐复杂过程，有效地提高了心电信号分类准确率。
-
公开(公告)号：CN112957054A
公开(公告)日：2021-06-15
申请号：CN202110092953.5
申请日：2021-01-25
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于通道注意力分组残差网络的12导联心电信号分类方法，由于原始12导联心电信号的长度不一或时间过长，无法对其直接分类，需要对每条记录以等长的时间间隔分割处理，把分割好心电信号片段经过SIFT变换到频域中，得到频谱图，然后对频谱图取对数最后得到对数频谱图，然后将对数频谱图输入到设计好的基于通道注意力分组残差网络(XSENet)网络中进行分类。该方法的主干网络主要采用分组残差网络和Senet结合的思想。该方法具有分类识别率高等优点。该主干网络的输入为12导联心电信号在频域上取对数后的频谱图，每个输出分别为所属类别的概率，是一种端对端的心电信号分类方法；本发明降低了解决问题的繁琐复杂过程，有效地提高了心电信号分类准确率。
-
公开(公告)号：CN116992921A
公开(公告)日：2023-11-03
申请号：CN202210419591.0
申请日：2022-04-21
Applicant: 北京工业大学
IPC: G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/08 , G06F18/214 , G06F18/2415 , G06F18/25 , A61B5/346 , A61B5/00
Abstract: 本发明公开了一种基于空洞和可变卷积的心律失常分类自适应网络(ADDNet：Adaptive Deformed and Dilated Convolution Net for classification of arrhythmias)。本发明提出了残差可变卷积模块，利用可变卷积自适应调整感受野的形状，充分利用12道心电图导联间的跨导联特征；提出了残差空洞卷积模块，利用空洞卷积的在不增加参数的情况下增加时间跨度的感受野，获取时间维度上的特征。此外提出了自适应融合模块，将空洞卷积和可变卷积得到的特征图以自适应方式进行融合。本发明是一种端到端的心电分类方法。降低了解决问题的繁琐复杂过程，有效地提高了心电信号分类准确率。
-
Patent Agency Ranking
公开(公告)号：CN113855042B
公开(公告)日：2023-10-03
申请号：CN202110999625.3
申请日：2021-08-29
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于序列标注并融合各导联的深度特征与医学特征的心电信号分类方法。该方法借鉴文本序列标注思想，首先提取每个导联上的深度时域特征和传统医学特征，将两个特征进行融合，然后使用Seq2Seq对12个导联进行类别标注，在模型预测时对12个导联的类别标注进行投票。同时在解码时加入和编码器之间的注意力机制，为了在解码时每个导联的类别更加改导联的编码信息，使解码结果更加正确。本方法是一种端到端的心电信号分类方式,利用了深度学习特征和医学特征,有效提升了多导联心电信号分类的准确率。
-
公开(公告)号：CN116992922A
公开(公告)日：2023-11-03
申请号：CN202210419592.5
申请日：2022-04-21
Applicant: 北京工业大学
IPC: G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/08 , G06F18/15 , G06F18/214 , G06F18/2415 , G06F18/25 , A61B5/346 , A61B5/00
Abstract: 本发明公开了一种基于可变卷积和双向LSTM的心律失常分类自适应网络(ADLNet：Adaptive Deformed Convolution and LSTM for classification of arrhythmias)。本发明提出了残差可变卷积模块，利用可变卷积自适应调整感受野的形状，充分利用12导联心电图导联间的跨导联特征；引入了适用于学习长距离依赖的网络——双向长短记忆网络(Bi‑LSTM)，让其担任网络中学习导联内特征的任务。此外提出了自适应融合模块，将可变卷积和双向LSTM得到的特征图以自适应方式进行融合。本发明是一种端到端的心电分类方法。降低了解决问题的繁琐复杂过程，有效地提高了心电信号分类准确率。
-
公开(公告)号：CN113855042A
公开(公告)日：2021-12-31
申请号：CN202110999625.3
申请日：2021-08-29
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于序列标注并融合各导联的深度特征与医学特征的心电信号分类方法。该方法借鉴文本序列标注思想，首先提取每个导联上的深度时域特征和传统医学特征，将两个特征进行融合，然后使用Seq2Seq对12个导联进行类别标注，在模型预测时对12个导联的类别标注进行投票。同时在解码时加入和编码器之间的注意力机制，为了在解码时每个导联的类别更加改导联的编码信息，使解码结果更加正确。本方法是一种端到端的心电信号分类方式,利用了深度学习特征和医学特征,有效提升了多导联心电信号分类的准确率。
-
公开(公告)号：CN113855043B
公开(公告)日：2023-08-18
申请号：CN202110999643.1
申请日：2021-08-29
Applicant: 北京工业大学
IPC: A61B5/346
Abstract: 本发明公开了一种融合多导联注意力机制的ResNeXt网络分类方法，本发明首先利用傅里叶变换将原始时域信号转变为对应的频谱图像，然后采用MARX‑Net网络对二维频谱图进行图像分类以实现心律失常的类别识别，同时本方法在网络结构中融入了多导联注意力模块，增加了关注相关导联信息的权重，抑制了无关导联信息的权重，进而提高了心电信号分类的准确率。同时引入了PreAct方法改变神经网络激活层位置，改善了残差网络的性能。本发明是一种端到端的心电分类方法。降低了解决问题的繁琐复杂过程，有效地提高了心电信号分类准确率。
-
公开(公告)号：CN113855043A
公开(公告)日：2021-12-31
申请号：CN202110999643.1
申请日：2021-08-29
Applicant: 北京工业大学
IPC: A61B5/346
Abstract: 本发明公开了一种融合多导联注意力机制的ResNeXt网络分类方法，本发明首先利用傅里叶变换将原始时域信号转变为对应的频谱图像，然后采用MARX‑Net网络对二维频谱图进行图像分类以实现心律失常的类别识别，同时本方法在网络结构中融入了多导联注意力模块，增加了关注相关导联信息的权重，抑制了无关导联信息的权重，进而提高了心电信号分类的准确率。同时引入了PreAct方法改变神经网络激活层位置，改善了残差网络的性能。本发明是一种端到端的心电分类方法。降低了解决问题的繁琐复杂过程，有效地提高了心电信号分类准确率。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.016 seconds)
