Abstract ：

目的:为实现从母体腹壁混合信号中提取高信噪比和波形清晰的胎儿心电信号,提出一种融合核主成分分析(kernel principal component analysis,KPCA)、快速独立成分分析(fast independent component analysis,FastICA)及奇异值分解(singular value decomposition,SVD)的胎儿心电信号提取算法.方法:首先,采用KPCA对母体心电信号进行降维,再利用改进的基于负熵的FastICA处理降维后的数据,得到独立成分.随后,引入样本熵进行信号通道选择,挑选出包含最多母体信息的信号通道.在选中的母体通道上进行SVD,得到母体心电信号的近似估计,再用腹壁源信号减去该信号得到胎儿心电的初步估计.最后,采用改进的基于负熵的FastICA成功分离出纯净的胎儿心电信号.在腹部和直接胎儿心电图数据库(Abdominal and Direct Fetal Electrocardiogram Database,ADFECGDB)和 PhysioNet 2013挑战赛数据库中对提出的算法进行验证.结果:提出的算法在主观视觉效果和客观评价指标上都表现出优越的性能.在ADFECGDB数据库中,胎儿QRS复合波检测的敏感度、阳性预测值和F1值分别为99.74％、98.85％和99.30％;在PhysioNet 2013挑战赛数据库中,胎儿QRS复合波检测的敏感度、阳性预测值和F1值分别为99.10％、97.87％和98.48％.结论:融合KPCA、FastICA及SVD的胎儿心电信号提取算法在提取胎儿心电信号的同时有效处理了附加噪声,为胎儿疾病的早期诊断提供了有力支持.

Keyword ：

腹壁混合信号 胎儿心电信号 奇异值分解 快速独立成分分析 核主成分分析

Cite：

Copy from the list or Export to your reference management。

Abstract ：

一种基于深度学习的心率变异性特征分析方法涉及计算机领域，能够有效提取心率变异性中包含的信息。本发明包括以下步骤：通过传感器获取心电图数据，并传输至上位机；应用插值和滤波对ECG信号进行预处理；采用滑动窗口对接收到的ECG数据进行截取，并进行实时更新和傅里叶变换以获取频谱特征图；利用深度卷积神经网络解析频谱图并提取有用信息，包括基于Resnet18的残差学习方法的频域特征提取、以及基于注意力机制的时频域特征融合、使用多层感知机对特征信息进行分类并输出。

Cite：

Copy from the list or Export to your reference management。

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。

Cite：

Copy from the list or Export to your reference management。

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。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

目的 为从动态心电图中准确、有效、快速地检测阵发性房颤(Paroxysmal Atrial Fibrillation,PAF),降低患者的发病率和死亡率,设计一种基于注意力机制的卷积时序神经网络检测阵发性房颤的混合模型.方法 该算法首先通过卷积神经网络提取心电信号特征,然后由注意力机制帮助网络聚焦于重点信息部分,最后输入双向门控循环单元用于上下文信息的联系,从而准确检测PAF.结果 该模型使用Physionet 2021数据库作为预训练,在CPSC2021数据库上进行迁移学习,其灵敏度、特异性、准确度分别为96.86％、98.56％、98.54％.结论 相较于其他算法,该算法能够有效检测PAF,具有潜在的临床应用价值.

Keyword ：

注意力机制 深度学习 卷积神经网络 双向门控循环单元 阵发性房颤

Cite：

Copy from the list or Export to your reference management。

Abstract ：

目的 初步探讨健康成人睡眠期枕区一过性正相尖波(POSTS)脑磁图与脑电图的对应关系,并总结脑磁图POSTS波形和分布特点.方法 同步采集2020年12月至2021年8月首都医科大学附属北京天坛医院招募的5例健康受试者睡眠期脑磁图与脑电图数据,分析脑磁图POSTS波形特点及其与脑电图POSTS的对应关系,采用单一等效电流偶极子方法对脑磁图POSTS进行溯源分析.结果 共5例受试者共记录到睡眠期脑电图POSTS波形564个,剔除与心电图重合的POSTS波形后,同步出现的脑磁图对应枕区POSTS波形359个,脑磁图POSTS检出率为73.42％(359/489).脑磁图POSTS波形变异性较大,POSTS偶极子主要分布于双侧枕叶中线区,包括距状沟、舌回、楔叶等,部分分布于距中线较远的枕颞内侧回、枕颞外侧回、枕皮质外侧等,少数分布于顶枕沟和楔前叶.结论 脑磁图POSTS具有不同于脑电图POSTS的特点,临床判读时应注意识别,以更好地辨别生理性与病理性波形,为术前评估提供准确参考.

Keyword ：

脑磁图描记术 成年人 睡眠期枕区一过性正相尖波(非MeSH词) 脑电描记术

Cite：

Copy from the list or Export to your reference management。

Abstract ：

近年来,基于ECG/PPG信号的血压测量方法已经在某些可穿戴设备上实现.但此类方法的检测精度尚未达到相关国际标准.本研究利用深度神经网络模型,对基于ECG/PPG信号的血压测量方法进行了深入研究,提高了该类方法的检测精度.首先,采用基于小波包的模态分解技术,从PPG信号中提取出心脏信号和呼吸信号,并将其与ECG信号同步.然后,采用卷积神经网络(convolutional neural network,CNN)基于上述信号建立血压检测模型.通过选用从MIMIC-Ⅲ数据集中筛选出的5776条数据作为实验数据,结果显示,当使用ECG/呼吸/心脏信号测量血压时,CNN模型的收缩压检测精度为(4.6852±6.0730)mm-Hg,舒张压的检测精度为(2.5340±3.9860)mmHg,均达到美国医疗器械促进协会(AAMI)标准和英国高血压协会(BHS)标准的最高级.当使用呼吸/心脏信号测量血压时,CNN模型的舒张压检测精度达到AAMI标准和BHS标准的最高级,收缩压检测精度未达到AAMI标准.结果表明,模态分解技术与ECG信号结合后,可以有效提高对血压的检测精度.

Keyword ：

光电容积脉搏波描记法 心电图 信号处理 小波包变换 卷积神经网络模型 血压

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本发明公开了一种基于NLF‑CNN导联融合深度网络的多导联心电信号分类方法，具体采用运用NLF‑CNN非局部性导联融合的深度卷积神经网络，首先通过深层CNN在单一导联下提取心电信号的深度特征，然后通过浅层CNN将得到的多个导联特征进行交叉组合，设计不同的卷积核的大小组合不同导联的特征，同时，引入Non‑local非局部注意力机制，弥补卷积核感受野受限问题；本发明在心电图检测场景中的多导联心电信号分类方面提供了完整的解决方案，针对在不同心电图导联之间表现不同的关系，构建NLF‑CNN网络实现导联信息的提取和融合，同时在导联融合之前引入Non‑local自注意力机制，关注不同导联特征的差别和联系，大大提高了多导联心电信号检测和分类的准确率。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

为了适用于长期心电监护和ICU等实时性、数据密集型应用场合,提出可在8 Hz采样频率的1 min心电图(ECG)片段上提前45 min预测阵发性房颤(PAF)发作的实时预测模型.采用概率符号化模式识别方法,在降采样后的ECG序列上提取出1 min窗口内的模式转移特征,降低模型的计算量和对存储空间的需求,确保实时预测的效果.提出卷积神经网络(CNN)和长短-期记忆网络(LSTM)的混合模型(CNN-LSTM),用于提取模式转移特征内隐含的局部空间特征和时间依赖特征.为了提升模型泛化能力,构建基于CNN-LSTM的集成分类器.采用Spark Streaming技术完成对ECG流式数据的读、写和计算...

Keyword ：

心电图(ECG) 卷积神经网络(CNN) 阵发性房颤 预测 长短-期记忆网络(LSTM) Spark Streaming 概率符号化模式识别

Cite：

Copy from the list or Export to your reference management。

Abstract ：

为了适用于长期心电监护和ICU等实时性、数据密集型应用场合,提出可在8 Hz采样频率的1 min心电图(ECG)片段上提前45 min预测阵发性房颤(PAF)发作的实时预测模型.采用概率符号化模式识别方法,在降采样后的ECG序列上提取出1 min窗口内的模式转移特征,降低模型的计算量和对存储空间的需求,确保实时预测的效果.提出卷积神经网络(CNN)和长短-期记忆网络(LSTM)的混合模型(CNN-LSTM),用于提取模式转移特征内隐含的局部空间特征和时间依赖特征.为了提升模型泛化能力,构建基于CNN-LSTM的集成分类器.采用Spark Streaming技术完成对ECG流式数据的读、写和计算,实现数据和模型之间的低延迟通信.所提模型在公开数据集上的准确率、灵敏度和特异度分别为91.26％、82.21％、95.79％.模型处理总延迟平均为2 s,满足实时PAF预测需求.

Keyword ：

长短-期记忆网络 心电图(ECG) 概率符号化模式识别 阵发性房颤 预测 卷积神经网络(CNN)

Cite：

Copy from the list or Export to your reference management。