-
摘要: T波形态分类有助于诊断心肌缺血、急性心包炎和心脏猝死等疾病，是心电图远程监控中一个重要的研究课题.传统的T波分类算法依赖于T波检测，在准确定位T波的关键点之后再提取T波特征，完成分类.但是由于T波位置可能发生一定程度偏移，T波的形态多变且受到多种噪声的干扰，T波检测是一个难题.为了解决上述问题，本文提出基于卷积神经网络的T波分类算法:首先根据QRS波群位置及医学统计规律确定一个T波候选段，然后采用卷积神经网络直接完成T波分类.由于卷积神经网络有稀疏连接、权值共享的特性，能够通过训练自动获取T波特征，并且其特征对微小平移具备不变性且对噪声不敏感，从而能够有效解决T波形态分类问题.最后在MIT-BIH QT心电数据库上对本文方法进行测试，实验结果表明，本文方法可以在T波起始点未确定的情况下，能够识别单峰直立、单峰倒置、低平、负正双向、正负双向五类T 波形态，正确率达到了99.1%.Abstract: T wave shape classification which is helpful for the diagnosing of many cardiovascular diseases such as myocardial ischemia, acute pericarditis and sudden cardiac death, is an important research topic in electrocardiogram remote monitoring. The method of traditional T wave shape classification is based on the accurate detection of the T wave. It is implemented after the T wave delineation and feature extraction. However, T wave detection is difficult because of the position shift, morphologic variation and multi-noise. To resolve this problem, this paper proposes to classify T wave shape based on convolutional neural network. In the new method, firstly, a candidate data segment which contains the T wave is intercepted based on the location of the QRS wave and the medical statistical knowledge. Then the T wave is classified directly based on the convolutional neural network. Due to the advantages of sparse connection and weight share, the convolutional neural network can extract T wave feature by data training and it is robust to the poison shift and noise. So the convolutional neural network can resolve the T wave shape classification problem efficiently. The new method is tested on the MIT-BIH QT database; the experimental results show that the new method performs well in T wave shape classification without T wave delineation and the classification accuracy is 99.1%.
-
近年来, 心血管病的发病率呈明显上升趋势, 全国疾病监测系统的监测数据显示, 我国心血管病患者由2010年的2.7亿上升至2014年的2.9亿, 其中高血压患者2.7亿, 脑卒中患者700万, 心肌梗死患者250万, 心力衰竭患者450 万, 肺心病患者500万, 风湿性心脏病患者250万, 先天性心脏病患者200万, 即每5个成人中就有1名患心血管病.心血管病的死亡率在农村占总死亡率的44.8%, 在城市为41.9%, 已然超过肿瘤及其他疾病, 位居死亡率第一, 大概每5例死亡者中就有2例死于心血管病, 心血管病防治工作刻不容缓.采用动态心电图对心血管疾病患者进行监控是降低心血管疾病的致死率和避免并发症的有效手段. 心电图自动分类是动态心电图监控的核心技术.
现有医学成果表明[1-3], T波形态改变是心脏猝死等疾病的重要标志, T波形态分类具有重要的医学意义.然而由于心电信号包含复杂噪声, 而T波能量低、持续时间短、形态多变、位置可能发生偏移, 这些因素导致T波分类技术研究成为心电信号分析领域一个重要课题.
Vila等[4]建立了T波的数学模型, 然后根据该模型检测T波并完成分类.但是由于噪声的干扰, 以及T波形态变化, 采用数学模板检测T波非常困难.事实上, 到目前为止, T波检测依然是心电信号处理领域的难题.王云鹤等[5]提取T波形态模极大值的个数和正负顺序作为特征, 然后利用支持向量机 (Support vector machine, SVM)实现了T波分类, 尽管该方法取得了较高的正确率, 但是仍然需要准确定位T波峰值. Hadjem等[6]设计了一种基于分类器集成的T波异常检测算法, 首先检测QRS波群中Q波端点和T波端点, 然后提取QT段形态特征, 最后集成决策树、支持向量机和逻辑回归等分类器, 判断T波是否异常, 该方法也需要准确定位T波. 上述方法取得了一定效果, 但是这些方法依赖于对T波的准确定位, 在准确确定T波关键点之后才能判断T波形态.而由于噪声干扰、T波形态变化及T波位置偏移等因素的影响, T波准确定位是难以实现的, 在实际系统中只能获取一个包含T波的候选段.基于此, 本文研究了基于T波候选段的T波分类技术, 并且采用卷积神经网络自动提取特征并完成分类.
神经网络算法研究一直是模式识别领域的热点课题. Liu等[7-8]对自适应神经网络进行改进并且应用于非线性系统跟踪控制. Zhang等[9]对连续时间递归神经网络的稳定性进行了全面探讨.卷积神经网络是神经网络的衍生改进, 它的稀疏连接 、权值共享的特殊结构不仅大大降低了模型的复杂度, 而且使其获取的特征对于噪声干扰以及目标的位置变化和尺度缩放具有良好的鲁棒性.目前卷积神经网络已经被广泛应用到各种模式分类问题中. 其中, McDonnell等[10]利用一种快速学习的浅层卷积神经网络模型进行图像分类, 利用谷歌网络中街景门票号码数据库进行验证, 正确识别率高达96%. Kalchbrenner等[11]利用卷积神经网络模型处理不同长度的语句, 采用捕捉到的语句的长短和特征图实现情感识别. Dosovitskiy等[12]利用卷积神经网络构造椅子、桌子、汽车的三维模型, 经过训练后可以准确计算不同对象之间的相似度.将卷积神经网络引入T波分类问题, 可以克服心电噪声和T波位置改变等因素对T波形态分类的干扰.
本文提出基于卷积神经网络的T波分类算法, 首先利用小波重构的办法检测R波峰值, 从而确定QRS波群位置, 然后根据医学统计规律确定一个T波候选段, 最后将构建好的数据集输入卷积神经网络中完成T波的形态学分类.与传统的先通过T波检测定位T波位置再对T波分类的方法相比, 本文利用卷积神经网络能够自动提取特征, 并且其特征对噪声和目标位置改变等因素鲁棒的特点, 直接对T波候选段进行分类, 避开了T波检测这一难点, 成功实现了T波形态分类.
1. 算法实现
本文利用卷积神经网络的稀疏连接、权值共享的特点对T波形态进行特征提取、形态学分类. 本文首先利用小波重构的办法检测R波峰值, 然后根据检测到的R波峰值提取T波候选段, 最后结合心电信号具有的大数据特征, 构建数据集并输入卷积神经网络中完成T波的形态学分类. 本文算法流程图如图 1所示.
1.1 数据预处理
采用小波变换[13]对心电信号进行数据预处理, 去噪并标记出R波波峰位置.
步骤1. 采用自适应阈值法去噪. 相比于固定阈值方法, 算法自适应地调节阈值, 使得不同尺度具有不同阈值, 增强了算法对不同类噪声的适应性, 提高了算法的稳定性. 自适应阈值定义为
$ \begin{align} T_{k} =\frac{{\sigma_k \sqrt {2 \lg n } }}{S_{k}}, ~~~k=1, 2, 3, \cdots, L \end{align} $
(1) 其中, $S_{k}=2^{(L-k)/L}$, L为小波的总分解尺度, k为阈值小波尺度, 与小波分解尺度相关, 不同尺度具有不同阈值, 正好与小波分析的多分辨率相适应.
$ \begin{align} \sigma_k =\frac{median\left| b_{k} \right|}{0.6745}, ~~~k=1, 2, 3, \cdots, L \end{align} $
(2) 步骤2. 对信号小波重构[13]. 心电信号的绝大部分能量集中于QRS波群, P波和T波能量很小, 重构信号中能量小的P波和T波被减弱, 能量大的QRS波群被增强和凸显, 而能量峰值即是R波峰值.然后对滤波信号加时间窗, 并在窗内搜索极大值点, 该点即为R波峰值位置.图 2为一段R波峰值检测的心电图, 峰值用三角形符号标出.
1.2 T波候选段获取
1.2.1 T波形态
T波位于S-T段之后, 是一个比较低而占时较长的波, 是由心室复极产生的.正常T波钝圆占时较长, 从基线开始缓慢上升然后较快下降, 形成前肢较长、后肢较短的波形. T波方向常和QRS波群的主波方向一致.根据医学统计, T波从形态学上可以分为五类:单峰倒置(A)、单峰直立(B)、正负双向(C)、负正双向(D)、低平(E), 如图 3所示.
1.2.2 T波候选段获取
以测到的R波为基准点定位, 在R波之后定义一个包含有T波的长度和位置的数据候选段, 然后把得到的数据段截取出来, 如图 4和图 5所示, 其中, 每个T波候选段截取的步骤如下:
步骤1. 根据RR间期估算出T波起点[14]
$ \begin{align} T= 40 + 1.3\sqrt {RR } \end{align} $
(3) 其中, T表示T波起点, RR表示RR间期.
步骤2. 根据RR间期估计QT间期长度(它表示了Q波起点至T波终点的间期). 已知R波通常滞后Q波30~70ms左右, 因此可以采用下面的Ashmsn公式估计QT间期长度
$ \begin{align} QT = K \lg (10RR+0.07) \end{align} $
(4) 其中K取值0.380.
步骤3. 找到T波候选段之后, 截取并储存T波候选段.
1.3 卷积神经网络模型
1.3.1 卷积神经网络的特点
卷积神经网络的设计受到早期的时延神经网络的启发, 是一种特殊的深层神经网络模型.一方面它的神经元间的连接是稀疏连接的;另一方面同一层中某些神经元之间连接的权重是共享的, 通过挖掘数据空间上的相关性, 减少网络中的可训练参数的数量, 提高其优化算法的效率.
卷积网络通过在相邻两层之间强制使用稀疏连接模式来利用信号的空间局部特性, 如图 6在第m层的隐层单元只与第m-1层的输入单元的局部区域有连接, 第m-1层的这些局部区域被称为空间连续的接受域, 如果第m-1层为输入层, 第m层的接受域宽度为3, 即该层的每个单元仅与输入层的3个相邻神经元相连, 第m层与第m+1层具有类似的链接规则, 这种结构将学习到的特征限制在局部空间模式. 从图 6可以看出, 多个这样的层堆叠起来后会使得局部空间逐渐成为全局.如图 7所示, 每个稀疏过滤器通过共享权值都会覆盖全局可视域, 这些共享权值的单元构成一个特征映射, 重复单元能够对特征进行识别而不考虑它在可视域中的位置, 使得我们能更有效地进行特征提取, 极大减少了需要学习变量的个数.
稀疏链接和权值共享的网络结构使卷积神经网络更类似于生物神经网络, 降低了网络模型的复杂度, 减少了权值的数量, 对平移、比例缩放、倾斜或者其他形式的变形具有高度不变性.此外, 通过对网络中卷积核进行优化, 可使其获得的特征对噪声鲁棒.
1.3.2 针对T波搭建的卷积神经网络模型
将卷积神经网络分为两部分, 特征提取部分负责学习T波有效特征以助于分类结果; 特征分类部分利用提取特征对T波进行准确分类. 二者协作完成对T波的形态学分类.由于卷积神经网络本来是用来处理二维数据的, 想要用来处理一维信号, 必须对其进行调整.
特征提取部分由卷基层和下采样层交替组成. 卷基层(C--层) 可以看作是模糊滤波器, 使原信号特征增强并且降低噪音.在卷积层中, 上一层的特征向量与当前层的卷积核进行卷积, 卷积运算的结果经过激活函数后形成了这一层的特征映射.卷积层输出可以用下式表示:
$ \begin{align} x_{j}^{l}=f\left ( \sum_{i\epsilon M_j} x_j^{l-1} \times W_{ij}^l + b_j^l \right ) \end{align} $
(5) 其中, $x_j^l$表示第l层卷积层第j个卷积核对应的特征向量, $M_j$表示当前神经元的接受域, $W_{ij}^l$ 表示第l层第j个卷积核的第i个加权系数, $b_j^l$表示第l层第j个卷积核对应的偏置系数, 而f为非线性函数, 其计算公式为
$ \begin{align} f(x) = \begin{cases} 1, & x > 0 \\ 0, & x \le 0 \end{cases} \end{align} $
(6) 下采样层(S--层)利用局部相关性的原理对数据进行子抽样, 在减少数据维数的同时保留有用信息, 同时采用池化技术来保持特征, 使特征具有位移、缩放和不变性. 下采样层具有二次特征提取的作用, 隐层与隐层之间空间分辨率递减, 其计算公式为
$ \begin{align} x_j^l = f\begin{pmatrix} \beta _j^l \times down(x_j^{l-1}) + b_j^l \end{pmatrix} \end{align} $
(7) 其中, $down(\cdot)$表示下采样函数, $\beta _j^l$表示加权系数, $b_j^l$表示偏置系数.
图 8是针对T波分类构建的神经网络模型, 包括输入层、卷积层、采样层、输出层.每个神经元的输入与前一层的输出相连, 提取局部特征.在卷积层C1中分布了3 个长度为15个采样点的卷积核, 其输入为116个采样点的T波候选段, 输出3个长度为102个采样点的特征向量; 下采样层S1对C1层中输出的特征向量进行池化操作, 将特征向量压缩为51个采样点. C2层包含3个长度为22个采样点的卷积核, 输出是9个长度为30 个采样点的特征向量, 卷积之后的特征向量被S2层再次池化之后, 最终送入输出层计算分类结果.这种卷积神经网络特有的两次特征提取结构使网络在识别时对输入数据有较高的畸变容忍能力.
图 8 T波分类的卷积神经网络结构Fig. 8 Architecture of the convolution neural network for T wave classification1.3.3 训练算法
卷积神经网络是输入到输出的映射, 能够在不需要任何输入和输出之间的精确数学表达式的前提下, 利用已标记的数据进行训练, 建立输入输出对之间的映射关系.
如图 9所示, 卷积神经网络训练流程如下:
步骤1. 训练开始之前, 将各权值W和后续步骤需要用到的阈值参数δ设置为近似0的随机数, 将卷积神经网络模型初始化.
步骤2. 从构建的训练集中, 随机取出100个样本构成一个训练组, 作为输入加入卷积神经网络, 同时给目标指定输出矢量.
步骤3. 利用式(5)~(7)计算实际输出矢量, 与给定目标输出矢量比较, 根据式(10)计算误差E;并计算权值W和阈值δ的调整量.
$ \begin{align} &\triangle W_{jk}(n) = \frac {\alpha}{1+l}\times(\triangle W_{jk}(n-1)+1)\times \delta _k \times h_j\end{align} $
(8) $ \begin{align} &\delta _{k}=h_{j}(1-h_{j})\sum_{k=0}^{M-1}\delta _{k}W_{jk} \end{align} $
(9) 其中, α代表学习率, j代表隐含层神经单元, k代表输出层神经单元, M代表输出层神经单元个数, $h_{j}$代表隐含层输出矢量, W为需要调整的权值, δ为需要调整的阈值.
步骤4. 判断是否满足精度要求
$ \begin{align} E=\frac{1}{2}\sum_{k=0}^{n-1}(d_{k}-y_{k})^{2}\leq \varepsilon \end{align} $
(10) 其中, E是总误差函数, $y_{k}$代表输出矢量, $d_{k}$代表目标矢量. 如果不满足, 则返回步骤3, 继续迭代; 如果满足, 则训练结束, 将权值和阈值保存, 认为各个权值已经达到稳定, 分类器形成.再进行训练时, 直接从文件导出权值和阈值进行训练, 不需要进行初始化.
2. 测试结果及分析
本文是利用QT数据库进行的实验验证, 该数据库的数据是由MIT-BIH心律失常数据库和欧洲的ST-T数据库提供的. QT数据库是按照MIT-BIH数据库标准格式设置的, 它以selnnnn记录名称, 其中, nnnn是源数据库中的原始记录的名称. 每个记录包含一个信号文件(record.dat)、头文件(record.hea)和几个注释的文件. 该数据库包括105个双通道动态心电记录, 每个记录时长15分钟. 这些数据可以通过QT数据库提供的算法自动标注T波位置, 甚至其中每条记录中部分数据(至少30个节拍)的T波位置是由专家手工标注. 同时这些记录中的每个子集的节拍都可以使用交互式图形显示, 这使我们能够更好地进行T波变异的研究. 为了验证卷积神经网络的性能, 本文从QT数据库中取得并标注了8000个长度为116采样点的标准数据, 用来构建训练数据集和测试数据集, 这两个数据集之间没有重复的数据. 在训练完成之后, 用卷积神经网络对测试集进行分类识别, 最终把实验取得的结果和专家标注结果进行对比, T波检测并分类出来的正确率到达了99.1%, 其分类结果如表 1所示.
表 1 分类结果Table 1 Classification results测试分类 正常 正负 负正 倒置 低平 正常 993 2 1 0 4 正负 2 991 0 1 6 负正 3 0 792 2 3 倒置 0 1 3 794 2 低平 3 1 1 1 394 2.1 卷积神经网络模型参数优化
2.1.1 训练次数选择
为了探究卷积神经网络训练次数与数据识别率的关系, 本文在卷积核个数固定为3的情况下, 通过调整训练次数来观察相应的数据集的正确识别率变化. 实验发现, 当训练集只训练一次的时候, 测试集正确识别率只有85.7%, 随着训练次数的增加, 当训练次数达到10次, 测试集正确率达到99.1%, 并且即使训练次数继续增加, 测试集识别率也并没有变化. 这说明, 随着训练次数的增加, 卷积神经网络学习到的特征也会越发准确, 数据集的正确识别率也会增加. 但是数据的识别率并不会越来越高, 当训练次数达到一定程度以后, 网络已经学习到足够的有效特征, 识别率趋于稳定. 训练次数和测试集识别率的关系如表 2所示.
表 2 不同训练次数下的识别率(%)Table 2 Recognition rates under different training times (%)训练次数 1 5 10 20 训练集识别率 87.4 95.3 99.4 99.4 测试集识别率 85.7 91.4 99.1 99.1 2.1.2 卷积核个数选择
由于我们获得T波候选段含有复杂信息 (它不仅需要学习形态和幅值两种特征, 而且包含复杂冗余信息), 所以卷积核的个数选择也非常重要. 为了探究卷积神经网络卷积核个数与数据识别率的关系, 本文在训练次数固定为10次的情况下, 通过调整卷积核个数来观察相应的数据集的正确识别率变化. 实验发现, 当卷积核个数选择2个时, 完成训练消耗的时间为22.95s, 其测试集识别率为95.7%, 当卷积核为3个时, 完成训练消耗的时间为39.8s, 但是测试集识别率提高到了99.1%. 随着卷积核的增多, 消耗的时间也越来越长. 因此在保证识别准确率的基础上, 在训练样本的时候, 需要选择合适的卷积核个数, 以减少时间的消耗.卷积核个数和系统需要消耗的时间、测试集正确率的关系如表 3所示.
表 3 卷积核个数选择Table 3 Choice of the number of the convolution kernel卷积核个数 2 3 5 8 11 训练样本的时间(s) 22.95 39.8 61.8 121.3 144.7 测试集识别率(%) 95.7 99.1 99.1 99.1 99.1 2.2 与经典BP神经网络对比
卷积神经网络通过稀疏连接、权值共享的特点将特征提取功能融合进多层感知器, 能够通过训练自动获取T波特征, 并且其特征对微小平移具备不变性, 且对噪声不敏感, 从而能够有效解决T波形态分类问题.为了测试卷积神经网络在T波分类识别方面的优越性, 本文选择了经典的BP神经网络与其进行对比验证. BP神经网络是经典的神经网络, 至今仍然被广泛使用. 我们设计了一个BP神经网络, 其输入层有116个节点, 输出层有5个节点, 每一个输出节点对应一类样本, 并采用非线性的Sigmoid函数作为传输函数. 接着我们用对卷积神经网络性能测试的数据集对BP神经网络测试, 测试结果表明BP神经网络的测试正确率达到了96.7%. 它的正确率比卷积神经网络低2.4%. 这是由于T波候选段本身能量低和含有复杂冗余信息, 对BP神经网络权值运算容易陷入局部最优值和易出现过训练的情况, 对分类正确率造成影响.结果如表 4所示.
表 4 与经典BP神经网络对比(%)Table 4 Comparison with the classical BP neural network (%)CNN BP 99.1 96.7 2.3 与传统T波分类方法的对比
文献[5]提出利用支持向量机(SVM)的方法对T波进行识别分类. 首先进行T波峰值的检测定位, 找到T波之后, 利用找到的T波段构建数据集, 利用SVM针对同一人同一类的T波单独进行识别分类, 其各形态综合正确率达到98.2%左右.与文献[5]的方法相比, 本文不仅避开了T波检测这一难题, 而且实现了多形态T波数据集的准确分类.在医学实例中, 病人T波形态复杂多变, 同一个人往往含有不同形态的T波, 与前人工作相比, 本文方法显然更快捷有效、简单具有实用性.文献[6]设计了一种基于分类器集成的T波异常检测算法, 首先检测QRS 波群中Q 波端点和T波端点, 然后提取QT段形态特征, 最后集成决策树、支持向量机和逻辑回归等分类器, 判断T波是否异常.并通过采集真实心电数据对其方法进行验证, 其精度最后达到了92.54%. 然而, 该方法需要准确地定位T波.但是在医学实例中, 由于T波形态具有复杂的个体差异、位置偏移严重, 如果对每个病人单独检测QT特征, 不仅工作量巨大, 而且消耗的时间过多.本文方法与文献[5-6]中的方法数据对比如表 5所示.
表 5 与传统T波分类方法的对比(%)Table 5 Comparison with traditional T wave classification methods (%)T波分类方法 准确率 T波候选段+卷积神经网络多形态分类识别 99.1 膜极值定位T波+SVM单形态分类识别 98.2 QT特征提取+决策树、逻辑回归方法 92.54 3. 结论
T波形态分类有助于诊断心肌缺血、急性心包炎、脑血管意外等疾病, 是心电图远程监控中一个重要的研究课题.传统的T波分类算法依赖于T波检测, 在准确定位T波的关键点之后再提取T波特征, 完成分类.但是由于T波位置可能发生一定程度偏移, T波的形态多变且受到多种噪声的干扰, T波检测是一个难题.本文提出基于卷积神经网络的T波分类算法, 利用QRS波群位置及医学统计规律确定一个T波候选段, 然后采用卷积神经网络直接完成T波分类.由于卷积神经网络有稀疏连接、权值共享的特性, 其能够通过训练自动获取T波特征, 并且其特征对微小平移具备不变性, 且对噪声不敏感, 从而能够有效解决T波形态分类问题.最后在QT心电数据库上对本文方法进行测试, 实验结果表明, 本文方法在T波起始点未确定的情况下, 能够识别单峰直立、单峰倒置、低平、负正双向、正负双向五类T波形态, 正确率达到了99.1%. 但是本文由于采取的数据依然有限, 提供给卷积神经网络训练的样本也不够完备, 导致在识别差异比较大的T波时会出现些误差, 分类的结果具有一定的局限性.在下一步的工作中, 一方面应该加大数据集, 充分发挥卷积神经网络对大数据处理方面的优势; 另一方面寻找更简单有效的分类方法, 对卷积神经网络进行优化.
-
图 8 T波分类的卷积神经网络结构
Fig. 8 Architecture of the convolution neural network for T wave classification
表 1 分类结果
Table 1 Classification results
测试分类 正常 正负 负正 倒置 低平 正常 993 2 1 0 4 正负 2 991 0 1 6 负正 3 0 792 2 3 倒置 0 1 3 794 2 低平 3 1 1 1 394 
下载: 导出CSV
表 2 不同训练次数下的识别率(%)
Table 2 Recognition rates under different training times (%)
训练次数 1 5 10 20 训练集识别率 87.4 95.3 99.4 99.4 测试集识别率 85.7 91.4 99.1 99.1
下载: 导出CSV
表 3 卷积核个数选择
Table 3 Choice of the number of the convolution kernel
卷积核个数 2 3 5 8 11 训练样本的时间(s) 22.95 39.8 61.8 121.3 144.7 测试集识别率(%) 95.7 99.1 99.1 99.1 99.1
下载: 导出CSV
表 4 与经典BP神经网络对比(%)
Table 4 Comparison with the classical BP neural network (%)
CNN BP 99.1 96.7
下载: 导出CSV
表 5 与传统T波分类方法的对比(%)
Table 5 Comparison with traditional T wave classification methods (%)
T波分类方法 准确率 T波候选段+卷积神经网络多形态分类识别 99.1 膜极值定位T波+SVM单形态分类识别 98.2 QT特征提取+决策树、逻辑回归方法 92.54
下载: 导出CSV
-
[1] 夏云龙, 杨延宗. T波形成的心电生理机制及其争议. 心血管病学进展, 2010, 31(4): 497-499 http://www.cnki.com.cn/Article/CJFDTOTAL-XXGB201004003.htmXia Yun-Long, Yang Yan-Zong. Controversial in mechanisms of genesis of T wave. Advances in Cardiovascular Diseases, 2010, 31(4): 497-499 http://www.cnki.com.cn/Article/CJFDTOTAL-XXGB201004003.htm [2] 钱敏. 心电图T波改变的诊断与临床意义. 中国疗养医学, 2014, 23(8): 684-686 http://www.cnki.com.cn/Article/CJFDTOTAL-ZGLX201408011.htmQian Min. The diagnosis and clinical significance of T wave changes in electrocardiogram. Chinese Journal of Convalescent Medicine, 2014, 23(8): 684-686 http://www.cnki.com.cn/Article/CJFDTOTAL-ZGLX201408011.htm [3] Kania M, Fereniec M, Maniewski R. Evaluation of T-wave morphology dispersion in high-resolution ECG for risk stratification of sudden cardiac death. In: Proceedings of the 2012 Computing in Cardiology. Krakow: IEEE, 2012. 785-788 [4] Vila J, Gang Y, Presedo J, Fernandez-Delgado M, Barro S, Malik M. A mathematical model for the T-wave pattern classification. In: Proceedings of the 1998 Computers in Cardiology. Cleveland, OH: IEEE, 1998. 421-424 [5] 王云鹤, 钱梦瑶, 刘定宇, 饶妮妮. 心电信号多形态T波检测方法研究. 航天医学与医学工程, 2013, 26(4): 295-298 http://www.cnki.com.cn/Article/CJFDTOTAL-HYXB201304009.htmWang Yun-He, Qian Meng-Yao, Liu Ding-Yu, Rao Ni-Ni. Study on detection method of T waves with different morphologies in electrocardiogram. Space Medicine and Medical Engineering, 2013, 26(4): 295-298 http://www.cnki.com.cn/Article/CJFDTOTAL-HYXB201304009.htm [6] Hadjem M, Nait-Abdesselam F. An ECG T-wave anomalies detection using a lightweight classification model for wireless body sensors. In: Proceedings of the 2015 IEEE International Conference on Communication Workshop. London, UK: IEEE, 2015. 278-283 [7] Liu Y J, Tang L, Tong S C, Chen C L P. Adaptive NN controller design for a class of nonlinear MIMO discrete-time systems. IEEE Transactions on Neural Networks and Learning Systems, 2015, 26(5): 1007-1018 doi: 10.1109/TNNLS.2014.2330336 [8] Liu Y J, Gao Y, Tong S C, Chen C L P. A unified approach to adaptive neural control for nonlinear discrete-time systems with nonlinear dead-zone input. IEEE Transactions on Neural Networks and Learning Systems, 2016, 27(1): 139-150 doi: 10.1109/TNNLS.2015.2471262 [9] Zhang H G, Wang Z S, Liu D R. A comprehensive review of stability analysis of continuous-time recurrent neural networks. IEEE Transactions on Neural Networks and Learning Systems, 2014, 25(7): 1229-1262 doi: 10.1109/TNNLS.2014.2317880 [10] McDonnell M D, Vladusich T. Enhanced image classification with a fast-learning shallow convolutional neural network. In: Proceedings of the 2015 International Joint Conference on Neural Networks. Killarney, Ireland: IEEE, 2015. 1-7 [11] Kalchbrenner N, Grefenstette E, Blunsom P. A convolutional neural network for modelling sentences. In: Proceedings of the 52nd Annual Meeting of the Association for Computational Linguistics. Baltimore, USA: Association for Computational Linguistics, 2014. 655-665 [12] Dosovitskiy A, Springenberg J T, Brox T. Learning to generate chairs with convolutional neural networks. In: Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition. Boston, US: IEEE, 2015. 1538-1546 [13] Liu X L, Yang J L, Zhu X Y, Zhou S P, Wang H R, Zhang H. A novel R-peak detection method combining energy and wavelet transform in electrocardiogram signal. Biomedical Engineering: Applications, Basis and Communications, 2014, 26(1): 1-9 http://cn.bing.com/academic/profile?id=2046643603&encoded=0&v=paper_preview&mkt=zh-cn [14] 张世杰. 心电信号中T波交替的检测方法研究 [硕士学位论文], 武汉理工大学, 中国, 2009.Zhang Shi-Jie. Detection Method Research for T Wave Alternans in Electrocardiogram [Master dissertation], Wuhan University of Technology, China, 2009. 期刊类型引用(14)
1. 王浩，唐桥虹，唐娜，郝烨，李澍，孟祥峰，李佳戈. 基于神经网络的心电分类算法抗扰性影响分析. 中国医疗设备. 2023(03): 61-65 . 
百度学术2. 吴莉莉，谷小青，邢玉清，林爱英，潘建斌，闫凤鸣. 卷积神经网络在昆虫刺吸电位波形识别中的应用研究. 现代电子技术. 2022(16): 181-186 . 百度学术3. 谢佳静，魏守水，江兴娥，王春元，崔怀杰，刘澄玉. 基于CNN和频率切片小波变换的T波形态分类. 中国生物医学工程学报. 2021(01): 1-11 . 百度学术4. 史健婷，孙骏. 煤矿工人心律失常检测的 LSTM-CNN T波识别方法. 黑龙江科技大学学报. 2021(02): 234-239 . 百度学术5. 刘亚楠，于婷婷，漆伟，杜高飞，冯鹏. 基于优化残差网络的动态心电信号分类算法研究. 光电子·激光. 2021(08): 894-901 . 百度学术6. 王霞，王姗，唐予军，李兵兵. 对截取波段处理的室性早搏分类方法研究. 现代电子技术. 2020(11): 63-67 . 百度学术7. 汤伟，王权. 改进的深度卷积神经网络对T波分类的应用. 中国科技论文. 2020(07): 787-792 . 百度学术8. 白旭飞. 基于深度卷积网络的糖尿病并发症分类. 电子技术与软件工程. 2019(05): 155-158 . 百度学术9. 任晓霞. 基于Dropout深度卷积神经网络的ST段波形分类算法. 传感技术学报. 2018(08): 1217-1222 . 百度学术10. 陈乐林，魏彪，李鹏程，冯鹏，周密. 基于深度学习的~(252)Cf源驱动核材料浓度识别技术. 强激光与粒子束. 2018(09): 117-123 . 百度学术11. 冯玉伯，丁承君，陈雪. 滚动轴承故障检测深度卷积稀疏自动编码器建模研究. 机械科学与技术. 2018(10): 1566-1572 . 百度学术12. 姜巍. 基于卷积神经网络的机场助航灯故障诊断. 软件导刊. 2018(11): 113-115+119+2 . 百度学术13. 许伟栋，赵忠盖. 基于卷积神经网络和支持向量机算法的马铃薯表面缺陷检测. 江苏农业学报. 2018(06): 1378-1385 . 百度学术14. 王翀，何兴鑫，方乐缘，郭斯羽，陈向东，聂辅娇. 基于联合决策卷积神经网络的光学相干断层扫描图像自动分类. 中国生物医学工程学报. 2018(06): 641-648 . 百度学术其他类型引用(24)
-
下载:
计量
- 文章访问数: 2321
- HTML全文浏览量: 630
- PDF下载量: 1633
- 被引次数: 38
