公开(公告)号：CN116784815A

公开(公告)日：2023-09-22

申请号：CN202310617270.6

申请日：2023-05-29

Applicant: 哈尔滨工业大学(威海)

Inventor： 夏勇 ,  熊月琪 ,  王宽全

IPC: A61B5/0245 ,  A61B5/024 ,  A61B5/346 ,  A61B5/352 ,  A61B5/355 ,  A61B5/00 ,  G06F18/24 ,  G06N3/0455 ,  G06N3/045 ,  G06N3/0464

Abstract: 本发明公开了一种基于卷积神经网络和Transformer结合的异常心律分类方法，所述方法先将原始的心电数据经过恰当的处理后转变成序列形式，然后利用卷积神经网络与Transformer相结合的深度神经网络来让机器自动学习向量形式的心电数据的内在特征，仅使用简单易得的R‑R间期特征，完全抛弃其他人为设计的复杂特征。整个过程中无需人为进行大量复杂的处理，用于异常心律分类时可以极大地提高效率和准确率。本发明在MIT‑BIH异常心律数据库上进行了测试，取得了良好的性能。在对五种异常心律的分类时，测试集上的性能为平均准确率上达到了97.66％。

公开(公告)号：CN107296600A

公开(公告)日：2017-10-27

申请号：CN201710348768.1

申请日：2017-05-17

Applicant: 哈尔滨工业大学(威海)

Inventor： 夏勇 ,  贾红红 ,  王宽全 ,  张恒贵

IPC: A61B5/0402

CPC classification number: A61B5/0402 ,  A61B5/7221 ,  A61B5/7264 ,  A61B5/7267

Abstract: 本发明公开了一种快速十二导联心电信号质量评估方法，其步骤为：(1)将心电信号质量评估结果分为可接受与不可接受；(2)用户自主选择质量评估方法；(3)对十二导联心电信号进行特征提取；(4)如果质量评估方法是阈值法，则直接基于特征与阈值的大小关系得到评估结果，跳转到步骤(8)；(5)如果质量评估方法是机器学习方法，则对提取的特征进行变换；(6)重复步骤(3)和(5)，获得大量心电信号的特征数据，对信号进行类别标记，构建学习与分类系统；(7)对新的心电测试信号，重复步骤(3)和(5)，获取特征，进行分类；(8)将评估结果反馈给用户。本发明拥有较高的准确率、很好的鲁棒性，并且方法简单、成本低廉。

公开(公告)号：CN115130509A

公开(公告)日：2022-09-30

申请号：CN202210751661.2

申请日：2022-06-29

Applicant: 哈尔滨工业大学(威海)

Inventor： 夏勇 ,  王文屹 ,  王宽全

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  A61B5/349

Abstract: 本发明公开了一种基于条件式变分自编码器的心电信号生成方法，所述方法利用已有的少量真实心电信号来进行深度学习并形成生成模型，从而实现心电信号的生成。利用本发明的方法来进行心电信号生成时，仅需要给定少量带类别标签的真实心电信号数据，之后就可以生成任意数量的不同类别的心电信号，极大地扩充了心电信号样本的数量，极大地缓解了心电信号分类学习时样本不足和数据不平衡的问题，对基于样本学习的心电信号自动分类算法具有重要的作用和意义。

公开(公告)号：CN107203692A

公开(公告)日：2017-09-26

申请号：CN201710321707.6

申请日：2017-05-09

Applicant: 哈尔滨工业大学(威海)

Inventor： 夏勇 ,  乌兰娜仁 ,  王宽全 ,  张恒贵

IPC: G06F19/00 ,  G06K9/00 ,  G06N3/08

Abstract: 本发明公开了一种基于深度卷积神经网络的房颤检测的实现方法，该方法能够将单导联一维心电数据经过信号转换变成二维形式，使得其适用于处理二维数据的深度卷积神经网络，从而实现通过机器自动学习特征并进行分类，并最终实现房颤的自动化检测。将本发明的方法用于房颤检测时，无需检测P波或R‑R间期，也无需人为设计特征，极大地提高了房颤检测的效率和准确率，其中：基于静态小波变换结合深度卷积神经网络的房颤检测方法的准确率是98.63％，敏感性是98.79％，特异性是97.87％；基于短时傅里叶变换结合深度卷积神经网络的房颤检测方法的准确率是98.29％，敏感性是98.34％，特异性是98.24％。

公开(公告)号：CN107203692B

公开(公告)日：2020-05-05

申请号：CN201710321707.6

申请日：2017-05-09

Applicant: 哈尔滨工业大学(威海)

Inventor： 夏勇 ,  乌兰娜仁 ,  王宽全 ,  张恒贵

IPC: G16H50/20 ,  G06K9/00 ,  G06N3/08

Abstract: 本发明公开了一种基于深度卷积神经网络的心电数据数字信号处理方法，该方法能够将单导联一维心电数据经过信号转换变成二维形式，使得其适用于处理二维数据的深度卷积神经网络。将本发明的方法用于房颤检测时，无需检测P波或R‑R间期，也无需人为设计特征，极大地提高了房颤检测的效率和准确率，其中：基于静态小波变换结合深度卷积神经网络的房颤检测方法的准确率是98.63％，敏感性是98.79％，特异性是97.87％；基于短时傅里叶变换结合深度卷积神经网络的房颤检测方法的准确率是98.29％，敏感性是98.34％，特异性是98.24％。

公开(公告)号：CN116999063A

公开(公告)日：2023-11-07

申请号：CN202310972440.2

申请日：2023-08-03

Applicant: 哈尔滨工业大学(威海)

Inventor： 夏勇 ,  李奕澄 ,  王宽全

IPC: A61B5/318 ,  A61B5/346 ,  A61B5/349 ,  A61B5/352 ,  A61B5/366 ,  A61B5/355 ,  A61B5/353 ,  A61B5/00 ,  G06F18/10 ,  G06F18/213 ,  G06F18/214 ,  G06F18/21 ,  G06N3/045 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/048 ,  G06F123/02

Abstract: 基于信号分解和卷积网络的心电图房颤检测的实现方法，该方法能够将单导联一维心电数据经过信号分解形成伪QRS波群信号和伪T、P波信号，使心电图房颤临床诊断中的领域知识融入到心电图的特征表示之中，再通过深度卷积网络的方法使机器对房颤心电图中R‑R间期和P波形态的特点进行挖掘，最终实现心电图房颤诊断。将本发明的方法用于房颤检测时，将房颤心电图的特征显式地作为输入提供给神经网络，将房颤检测的任务分解为对两个房颤心电图特征进行考察的子任务，极大地提高了房颤检测的准确率，其中：使用普通卷积核的深度卷积网络的检测方法的准确率是0.836，平均F1得分是0.813；使用空洞卷积核的深度卷积网络的检测方法的准确率是0.867，平均F1得分是0.843。