-
公开(公告)号：CN110263684B
公开(公告)日：2021-02-09
申请号：CN201910489830.8
申请日：2019-06-06
申请人： 山东省计算中心(国家超级计算济南中心)
摘要： 一种基于轻量级神经网络的心电图分类方法，通过单导联心电图数据和轻量级神经网络模型实现心律失常自动分类的方法。首先，肢体II导联心电信号蕴含足够的信息；其次，使用卷积核大小为1的卷积层和全局平均池化层压缩特征维度；最后使用流线型的深度可分离卷积快速提取特征。利用单导联数据集和轻量级神经网络模型可以在保证模型准确率的基础上大幅度提高模型运算速度。
-
公开(公告)号：CN111419220A
公开(公告)日：2020-07-17
申请号：CN202010227774.3
申请日：2020-03-27
申请人： 山东省人工智能研究院 , 山东省计算中心(国家超级计算济南中心) , 山东大学齐鲁医院
摘要： 一种基于共振稀疏分解的十二导联心电信号房颤检测方法，根据房颤信号的特点，利用共振稀疏分解对心电信号进行处理，将分解出的低共振分量部分送入神经网络中进行训练，逐个导联训练后通过投票算法（Voting）将各训练模型得出的概率进行联合运算，得到最终的检测结果，用于房颤检测时无需额外手工提取其他特征，网络结构简单，缩短了运算时间，可以实现实时房颤信号检测。针对房颤信号中“P波消失，出现F波”的表现特点，以共振稀疏分解为基础，突出房颤信号特点，通过简单的神经网络结构，保准准确率的基础上减少了运算时间。
-
公开(公告)号：CN110179453B
公开(公告)日：2020-01-03
申请号：CN201810555347.0
申请日：2018-06-01
申请人： 山东省计算中心(国家超级计算济南中心)
IPC分类号： A61B5/0402
摘要： 一种基于卷积神经网络和长短期记忆网络的心电图分类方法，通过多导联心电图数据和卷积神经网络和长短期记忆网络（CNN‑LSTM）组合模型实现心律失常自动分类的方法。一方面多导联心电图较单导联心电图蕴含更多信息，另一方面CNN‑LSTM组合模型结合CNN和LSTM的优点，在学习空间数据结构和时间序列结构方面有着独特优势，利用多导联心电图数据训练CNN‑LSTM能够提高网络的学习效率和心电图识别的精度。
-
公开(公告)号：CN108992060A
公开(公告)日：2018-12-14
申请号：CN201810568552.0
申请日：2018-06-05
申请人： 山东省计算中心(国家超级计算济南中心)
IPC分类号： A61B5/0402
摘要： 本发明公开一种基于LTI滤波与稀疏优化原理的ECG信号恢复方法，先将原始信号进行LTI滤波处理，本发明中选用LTI中的低通滤波进行相应处理，然后通过稀疏优化原理进行信号处理，最后合并形成我们所需要的去除噪音后的信号。在此过程中，通过低通滤波处理的信号能够快速滤除大部分高频噪音，但会对心电的形状发生改变，Q、S等波段会被削平。然后进行稀疏信号优化处理，得到原有波峰波谷信息并去除其他噪音，保证ECG信号的真实性，即在充分抑制ECG中的噪音的同时保护信号细节。
-
公开(公告)号：CN108926342B
公开(公告)日：2019-04-05
申请号：CN201810568551.6
申请日：2018-06-05
申请人： 山东省计算中心(国家超级计算济南中心)
IPC分类号： A61B5/0402 , A61B5/04
摘要： 本发明公开一种基于稀疏矩阵消除ECG信号基线漂移的方法，将ECG峰值信号建模为稀疏矩阵，将基线信号建模为低通信号，通过稀疏矩阵算法计算消除基线漂移后的ECG信号和基线，具有易操作，运行速度快，心电信号图不易失真的优点，以零刻度为基线消除基线漂移，真正的达到了ECG信号消除基线漂移的目的，且有利用QSR波检测。通过稀疏矩阵的稀疏表示降低了数据复杂度，可以充分发挥数据所含有的信息，去掉冗杂的数据信息，达到最大化利用数据。
-
公开(公告)号：CN108926342A
公开(公告)日：2018-12-04
申请号：CN201810568551.6
申请日：2018-06-05
申请人： 山东省计算中心(国家超级计算济南中心)
IPC分类号： A61B5/0402 , A61B5/04
摘要： 本发明公开一种基于稀疏矩阵消除ECG信号基线漂移的方法，将ECG峰值信号建模为稀疏矩阵，将基线信号建模为低通信号，通过稀疏矩阵算法计算消除基线漂移后的ECG信号和基线，具有易操作，运行速度快，心电信号图不易失真的优点，以零刻度为基线消除基线漂移，真正的达到了ECG信号消除基线漂移的目的，且有利用QSR波检测。通过稀疏矩阵的稀疏表示降低了数据复杂度，可以充分发挥数据所含有的信息，去掉冗杂的数据信息，达到最大化利用数据。
-
公开(公告)号：CN105748063A
公开(公告)日：2016-07-13
申请号：CN201610259531.1
申请日：2016-04-25
申请人： 山东大学齐鲁医院 , 山东省计算中心(国家超级计算济南中心)
IPC分类号： A61B5/0402 , A61B5/024 , G06F19/00
CPC分类号： A61B5/0402 , A61B5/024 , A61B5/7264 , A61B5/7267 , G16H50/20
摘要： 本发明的基于多导联和卷积神经网络的心律失常智能诊断方法，包括：a).选取数据样本；b).标注心律失常类型；c).截取导联的心跳信号；d).得到归一化的心跳集合；e).构建隐层和输出层；f).设定目标函数；g).样本训练；h).心律失常分类的应用。本发明的心律失常智能诊断方法，利用多导联心电图数据训练CNN能够提高网络的学习效率和心律失常自动诊断的精度，实现了使用有心律失常类型标注多导联心电图数据训练CNN的通用框架和具体方法，可准确判断出待诊断心电信号的心律失常类型，可作为确诊结果或供医生参考。
-
公开(公告)号：CN110251120B
公开(公告)日：2021-03-30
申请号：CN201910489829.5
申请日：2019-06-06
申请人： 山东省计算中心(国家超级计算济南中心)
摘要： 一种基于注意力机制的深度残差神经网络的心电图分类方法，通过多导联心电图数据和基于注意力机制的深层残差神经网络模型实现心律失常自动分类，首先多导联心电图较单导联心电图蕴含更多心电信息，其次深度残差网络可以更高的学习模型的特征，有助于模型收敛，最后注意力机制模块自动增强特征图，提高模型泛化能力，提高网络的学习效率和心电图识别的精度。
-
公开(公告)号：CN109740481B
公开(公告)日：2019-12-10
申请号：CN201811599241.7
申请日：2018-12-26
申请人： 山东科技大学 , 山东省计算中心(国家超级计算济南中心) , 山东大学齐鲁医院
摘要： 一种基于跳跃连接的CNN与LSTM结合的房颤信号分类方法，通过将数据房颤信号数据加载到跳跃连接的CNN模型中，经过卷积、最大池化、激励、归一化、平均池化操作，进行特征提取，之后将特征提取完成的数据加载到LTSM模型中进行学习，最终达到对房颤信号分类的目的，分类的信号精确、高效。
-
公开(公告)号：CN109740481A
公开(公告)日：2019-05-10
申请号：CN201811599241.7
申请日：2018-12-26
申请人： 山东科技大学 , 山东省计算中心(国家超级计算济南中心) , 山东大学齐鲁医院
摘要： 一种基于跳跃连接的CNN与LSTM结合的房颤信号分类方法，通过将数据房颤信号数据加载到跳跃连接的CNN模型中，经过卷积、最大池化、激励、归一化、平均池化操作，进行特征提取，之后将特征提取完成的数据加载到LTSM模型中进行学习，最终达到对房颤信号分类的目的，分类的信号精确、高效。
-
-
-
-
-
-
-
-
-
搜索结果
16 条记录 (耗时 0.079 秒)
