针对传统人工识别心电信号方法存在工作量大、容易出错和现有心电监测设备仍然存在心电信号识别类型少、诊断精度不高、过度依赖于网络服务等问题,为提高心电监测设备性能,基于深度学习技术设计了心电信号ECG(Electrocardiogram Signals...针对传统人工识别心电信号方法存在工作量大、容易出错和现有心电监测设备仍然存在心电信号识别类型少、诊断精度不高、过度依赖于网络服务等问题,为提高心电监测设备性能,基于深度学习技术设计了心电信号ECG(Electrocardiogram Signals)分析检测系统。通过搭建SENet-LSTM(Squeeze-and-Excitation Networks-Long Short Term Memory)网络模型实现心电信号7分类的自动诊断,模型建立在一个采用ADS1292R作为心电采集模块,STM32F103作为数据处理模块,树莓派作为中央处理模块的智能化硬件平台上,该系统利用一体化的高性能微型计算机树莓派进行计算分析,为用户提供离线化的人工智能(AI:Artificial Intelligence)服务,同时模型的准确度和精确度分别为98.44%和90.00%,从而实现ECG的实时检测和准确分类,为患者提供精准的病情诊断。展开更多
文摘针对传统人工识别心电信号方法存在工作量大、容易出错和现有心电监测设备仍然存在心电信号识别类型少、诊断精度不高、过度依赖于网络服务等问题,为提高心电监测设备性能,基于深度学习技术设计了心电信号ECG(Electrocardiogram Signals)分析检测系统。通过搭建SENet-LSTM(Squeeze-and-Excitation Networks-Long Short Term Memory)网络模型实现心电信号7分类的自动诊断,模型建立在一个采用ADS1292R作为心电采集模块,STM32F103作为数据处理模块,树莓派作为中央处理模块的智能化硬件平台上,该系统利用一体化的高性能微型计算机树莓派进行计算分析,为用户提供离线化的人工智能(AI:Artificial Intelligence)服务,同时模型的准确度和精确度分别为98.44%和90.00%,从而实现ECG的实时检测和准确分类,为患者提供精准的病情诊断。