-
题名基于聚类分析的心电节拍分类算法
被引量：8
- 1
-
-
作者
鄢羽
孙成
-
机构
重庆医科大学附属第一医院信息中心
中国科学院深圳先进技术研究院
-
出处
《计算机应用》
CSCD
北大核心
2014年第7期2132-2135,2139,共5页
-
基金
广东省与中国科学院全面战略合作计划项目(2009B091300160)
-
文摘
为提高计算机辅助心电节拍分类算法的准确率和普适性,提出一种基于聚类分析的心电节拍分类算法,该算法利用心电节拍个体内差异性较小的特性,采用两级聚类分析、抽样代表性心电节拍的方法,结合心电医师的辅助诊断,实现对心电节拍的准确分类。为了验证算法的准确性,采用国际公认的标准数据库——MIT-BIH心律失常数据库,AAMI/ANSI标准规定的心电节拍分类方法及准确率的计算方法进行仿真实验,最终总体分类准确率达到99.07%。与Kiranyaz等(KIRANYAZ S,INCE T,PULKKINEN J,et al.Personalized long-term ECG classification:A systematic approach[J].Expert Systems with Applications,2011,38(4):3220-3226.)的心电节拍分类算法相比,该算法无需进行设定的训练,且S类心电节拍分类灵敏度由40.15%提高到89.82%,显著提高了分类算法的普适性。
-
关键词
心电节拍分类
聚类分析
辅助诊断
ANSI/AAMI标准
-
Keywords
Electrocardiography （ECG） beat classification
cluster analysis
auxiliary diagnosis
ANSI/AAMI standard
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名心电节拍自动分类算法的研究
- 2
-
-
作者
张如意
廖京生
李抱朴
胡超
-
机构
中国科学院深圳先进技术研究院
浙江大学宁波理工学院信息学院
-
出处
《集成技术》
2013年第2期46-51,共6页
-
文摘
世界卫生组织调查发现在全球范围内心血管、心脏疾病是导致死亡概率最高的疾病,心电图(ECG)是临床上广泛应用的预防、监护和诊断心血管及心脏疾病的重要工具之一。心电自动分析诊断技术可以大大减少心电医师的工作量,提高心电图的诊断效率,其中心电节拍(ECG Beat)分类是心电自动分析诊断技术的主要研究方向,是自动分析心律失常的一种重要分析手段,特别是在动态心电图或者长期心电记录领域发挥着重要的作用。本文提出一种心电节拍分类算法,该算法在聚类分析的基础上,结合线性分类器加权判断和心电医师对各聚类的抽样判断,获得心电节拍的最终分类。以MIT-BIH-AR[1]心律失常数据库作为原始数据,采用AAMI的ANSI/AAMIEC57:1998/(R)2003[2]标准规定的心电节拍分类种类及准确率的衡量方法,对该算法的检验,发现采用聚类分析和线性分类器加权判断的方法,分类的准确率达到86.60%;结合心电医师的抽样判断后,算法最终的准确率高达98.16%。
-
关键词
心电节拍分类
混合分类框架
聚类分析
辅助诊断
-
Keywords
heartbeat classification
hybrid classification framework
clusterting analysis
assisted-diagnos
-
分类号
R311
[医药卫生—基础医学]
TP301.6
[自动化与计算机技术—计算机系统结构]
-
-
题名基于深度信念网的心电自动分类
被引量：2
- 3
-
-
作者
颜昊霖
安勇
王宏飞
牟荣增
-
机构
中国科学院微电子研究所
中国科学院微电子研究所昆山分所
-
出处
《计算机工程与设计》
北大核心
2017年第5期1331-1334,共4页
-
基金
国家自然科学基金项目(61271423)
-
文摘
提出一种基于深度信念网(deep belief network,DBN)和心电波形采样的心电自动分类算法。对心电信号进行滤波、R波定位后,以QRS波群的180Hz下采样表示心拍形态,结合RR间期特征,使用的DBN共6层,隐藏层神经元数目为30。使用标准数据库对DBN进行训练和测试,结果为平均Se88.6%,平均P^+62.1%,优于现有特征选择方法的结果,基于深度学习的心拍分类算法无需波形特征提取步骤,解决了目前的波形特征对心拍的人间差异没有鲁棒性的问题。
-
关键词
深度信念网
心电节拍分类
模式识别
形态特征
波形采样
-
Keywords
deep belief networks
heartbeat classification
pattern recognition
morphology features
morphology samples
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名结合迁移学习与深度卷积网络的心电分类研究
被引量：9
- 4
-
-
作者
查雪帆
杨丰
吴俣南
刘颖
袁绍锋
-
机构
南方医科大学生物医学工程学院
南方医科大学广东省医学图像处理重点实验室
-
出处
《中国医学物理学杂志》
CSCD
2018年第11期1307-1312,共6页
-
基金
国家自然科学基金(61771233
61271155)
-
文摘
为解决一维深度卷积网络(1D-DCNN)在心电分类方面存在的多类疾病识别不准、难以提取最佳特征等问题,提出一种结合迁移学习与二维深度卷积网络(2D-DCNN)直接识别心电图像的方法。首先,截取R波前后75 ms内的心电信号,并将一维心电电压信号转化为二维灰度图像信号。接着,构建2D-DCNN对心电节拍样本进行分类训练,权值初始化采用在ImageNet大规模图像数据集上进行预训练的AlexNet参数值。本文提出方法在MIT-BIH心电数据库上进行性能验证,其准确率达到98%,并在不同信噪比下保持较高的准确率,证明了所述模型在心电分类上具有良好的鲁棒性。为了验证2D-DCNN的识别性能,实验部分与采用不同激活函数的1D-DCNN、近些年性能较好的深度学习方法进行比较。量化结果表明,结合迁移学习和2D-DCNN方法,比最优1D-DCNN算法,其准确率提升2%、敏感度提升0.6%、特异性提高4%;在二分类与多分类任务中,均好于现有的其他算法。
-
关键词
心电节拍分类
迁移学习
深度学习
二维深度卷积网络
一维深度卷积网络
ImageNet数据集
-
Keywords
electrocardiogram heartbeat classification
transfer learning
deep learning
two-dimensional deep convolution neural network
one-dimensional deep convolution neural network
ImageNet dataset
-
分类号
R318
[医药卫生—生物医学工程]
-
-
题名基于卷积神经网络的心电特征提取
被引量：18
- 5
-
-
作者
颜昊霖
安勇
王宏飞
牟荣增
-
机构
中国科学院微电子研究所
中国科学院微电子研究所昆山分所
-
出处
《计算机工程与设计》
北大核心
2017年第4期1024-1028,共5页
-
基金
国家自然科学基金项目(61271423)
-
文摘
提出一种基于卷积神经网络(CNN)的心电特征提取方法,以心拍R点前后75ms内的信号为QRS波群,提取QRS波群的180Hz下采样和RR间期,把QRS采样作为CNN的卷积层输入,把CNN的全连接层输出作为形态特征。对CNN特征进行分类能力测试,与文献方法对比结果表明,CNN特征在平均Se上有1.7%的提升,在平均P^+上有2.9%的提升,对于S类的Se提升7%,P^+提升9%,对V类的Se提升4%,P+提升2%;该方法在F类上性能低于文献最佳值,因为神经网络对训练样本数要求比支持向量机(SVM)高。
-
关键词
卷积神经网络
心电节拍分类
特征提取
模式识别
形态特征
-
Keywords
convolutional neural networks
heartbeat classification
feature extraction
pattern recognition
morphology features
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
