一种心律异常预测方法与流程

本发明属于心电生理分析技术领域，具体涉及一种心律异常预测方法。

背景技术：

心律失常是心血管疾病中重要的一组疾病，它可单独发病，亦可与其他心血管病伴发，可突然发作而致猝死，亦可持续累及心脏而致其衰竭。因此，对心律的精准诊断与及时治疗是应对心血管疾病的有效措施。目前，通过利用心电图机从体表记录心脏每一心动周期所产生的电活动，制成心电图（ecg）用于检测和诊断心律情况。然而，通过医生对心电图分析和判断，容易受医生的职业能力或经验等主观因素影响，同时数量庞大的心电图影像会使医生疲劳，导致工作效率较低。近年来，心律异常的计算机辅助诊断系统出现在学术研究和临床实验中，它能够高效且精准地定位异常问题，受到广大医护人员青睐。

深度学习技术通过对处理后的ecg进行特征提取与选择，分析并判断心脏的运转情况。因此，对ecg的特征提取效果直接决定了分类性能，目前主要方法模型有两种，一种是采用卷积神经网络（cnn）提取某段ecg数据后通入神经网络进行预测判断，另一种是采用循环神经网络（rnn）对ecg数据进行预测判断。只使用一个模型，或者使用一类模型对于ecg异常事件的预测虽然已经能有不错的效果，但是对于一些特定的异常事件的预测，某一类模型可能会出现较大的误判率。

技术实现要素：

本发明的目的是为了解决上述单一模型对ecg数据预判容易出现误判的技术问题，提供一种心率异常预测方法，采用多种不同模型预测ecg数据的异常情况，并采用全连接神经网络模型将多种预测结果融合后生成最佳预测结果，使预测结果更真实地反映ecg数据情况。

为了解决上述问题，本发明按以下技术方案予以实现的：

本发明所述一种心律异常预测方法，包括以下步骤：

将ecg数据集分别通过多个cnn模型生成多个特征向量，并将多个特征向量堆叠形成输入向量；

将输入向量通过多个rnn模型训练获得多个底层分类器；

采用全连接神经网络融合多个底层分类器预测ecg异常事件。

进一步地，所述将ecg数据集分别通过多个cnn模型生成多个特征向量，并将多个特征向量堆叠形成输入向量具体为：

采用多个cnn模型提取ecg数据集的空间特征，得到多个相同维数的特征向量；

将多个特征向量在深度方向合并，形成输入向量。

进一步地，所述cnn模型包括卷积层和池化层，所述卷积层用于提取ecg数据集的空间特征后形成特征图，所述池化层用于对特征图特征选择和信息过滤后生成特征向量。

进一步地，所述将ecg数据集分别通过多个cnn模型生成多个特征向量，并将多个特征向量堆叠形成输入向量之前包括获取ecg数据集并对其预处理，具体为：

获取医疗心电样本；

对医疗心电样本进行增强操作，并对其竖直翻转后获得ecg数据集。

进一步地，所述对原始心跳样本的数据进行增强操作包括对医疗心电样本数据进行随机平移或加减。

进一步地，所述将输入向量通过多个rnn模型训练获得多个底层分类器具体为：

多个rnn模型分别提取输入向量的时序信息，生成多个具有独立预测ecg异常事件的底层分类器。

进一步地，采用全连接神经网络融合多个底层分类器预测ecg异常事件包括以下步骤：

对输入向量进行5折交叉验证，并取其中4折作为训练数据，另外1折作为验证数据；

各底层分类器分别对训练数据训练后获得多个训练模型，各训练模型分别去预测验证数据后获得多组预测矩阵，将多组预测矩阵输入至全连接神经网络。

日前用于预测ecg异常事件的模型常见类型包括卷积神经网络（cnn）和循环神经网络（rnn），各模型对ecg异常事件的单独预测存在一定的误判情况，漏判或错判容易使心律失常患者错过最佳治愈时期。采用现有的集成算法（如stacking算法）将多种卷积神经网络（cnn）和循环神经网络（rnn）对ecg预测结果的融合，预测结果的横向融合较好地提高预测精度，避免单一模型的误判。但经申请人研究发现，卷积神经网络（cnn）具有强大的特征提取能力，和循环神经网络（rnn）具有优秀的连续采样点之间的时序把控能力，针对于动态的ecg数据，两类模型的纵向融合可更有效地提高预测精度，使预测结果更真实地反映ecg数据情况。本发明先采用多种cnn模型提取ecg数据的特征向量后组合成输入向量，再采用rnn提取输入向量中的时序信息，构成具有预测ecg异常能力的底层分类器，最后底层分类器再次预测ecg数据获得预测结果，并采用全连接神经网络将预测结果融合形成最佳的预测结果，进一步使预测结果更为精准。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明，其中：

图1是本发明的心律异常预测方法的流程图；

图2是实施例1中一段时间内部分的ecg离散点示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

实施例1

如图1所示，本发明所述的心律异常预测方法，包括以下步骤：

步骤s100：将ecg数据集分别通过多个cnn模型生成多个特征向量，并将多个特征向量堆叠形成输入向量。

其中，ecg数据集是实时获取人体心脏产生的电活动数据，具体可通过智能手环或医学仪器等现有技术获取人体的心率，形成ecg数据集，作为一实施例，ecg数据集是由医学仪器获得心电图，分析并获取心电图的医疗心电样本。为了进一步提高对ecg异常预测分类的准确率，需要对ecg数据集预处理，具体是对医疗心电样本进行增强操作，该增强操作包括对医疗心电样本的数据通过随机平移或加减，扩充原有的医疗心电样本形成新样本，并对新样本进行竖直翻转操作，获得最终的ecg数据集。扩充样本数据后形成的ecg数据集有效抑制深度学习网络的过拟合现象，提高ecg异常预测分类的准确率。

ecg数据通过多个cnn模型生成多个特征向量，并由特征向量堆叠形成输入向量，具体包括以下步骤：

步骤s101：采用多个cnn模型提取ecg数据集的空间特征，得到多个相同维数的特征向量；

cnn模型包括常用的cnn模型种类，如alexnet模型、googlenet模型、vgg模型、resnet模型，采用多种不同类型的cnn模型分别获取ecg数据集的空间特征，得到多个相同维数的特征向量。作为一实施例，采用多个一维的cnn模型提取ecg数据集中离散点的空间特征，形成多个一维特征向量。其中，一维的cnn模型包括卷积层和池化层，优选地，每个cnn模型的卷积层设置有3个，第一卷积层设置5个卷积通道，每个通道的卷积核均设置为21*1；第二个卷积层设置16个卷积通道，每通道的卷积核大小为13*1；第三个卷积层则设置了20个卷积通道，每个通道卷积核均为9*1；在第三个卷积层之后添加一层单通道1*1大小的卷积核，将各通道特征整合为一维特征向量，形成特征图。池化层用于对特征图特征选择和信息过滤后生成特征向量。

步骤s102：将多个特征向量在深度方向合并，形成输入向量。每一特征向量都含有特定的时序特征，将所有特征向量相互并联，形成一个新的输入向量。

步骤s200：将输入向量通过多个rnn模型训练获得多个底层分类器。

其中，rnn模型包括常用的rnn模型种类，如lstm模型、gru模型，多个rnn模型分别提取输入向量中各特征向量的时序特征，生产多个可独立预测ecg异常事件的底层分类器。作为另一种实施例，rnn模型分别与各cnn模型的池化层结合，直接训练各cnn模型生成的特征向量形成底层分类器。

步骤s300：采用全连接神经网络融合多个底层分类器预测ecg异常事件。

具体地，包括以下步骤：

步骤s301：对输入向量进行5折交叉验证，并取其中4折作为训练数据，另外1折作为验证数据；

步骤s302：各底层分类器分别对训练数据训练后获得多个训练模型，各训练模型分别去预测验证数据后获得多组预测矩阵，将多组预测矩阵输入至全连接神经网络。

全连接神经网络包括输入层、隐含层和输出层，其中输入层接收预测矩阵中的各参数值，隐含层包括设置的偏置项和激活函数，可将偏置项设置为+1，激活函数根据偏置项推导为1/（1+ｅ^-z），激活函数主要用于将数据归一化和打破网络的线性关系，使输出层输出一个关于输入层的长度为x的向量，x为ecg异常事件的种类，随后将向量x通入sigmoid函数后计算对应异常事件出现的概率。

本发明先采用多种cnn模型提取ecg数据的特征向量后组合成输入向量，再采用rnn提取输入向量中的时序信息，构成具有预测ecg异常能力的底层分类器，最后底层分类器再次预测ecg数据获得预测结果，并采用全连接神经网络将预测结果融合形成最佳的预测结果，进一步提高预测结果的准确率。

下面结合具体例子对心律异常预测方法的进一步说明。

某研究中心提供的4万个医疗心电样本，对医疗心电样本的数据进行随机平移或加减，竖直翻转后形成ecg数据集，单位时间内，多个cnn模型提取ecg数据集的特征向量后沿导联（导联包括i、i1、v1、v2、v3、v4、v5）方向叠加，堆叠形成单位时间内的输入向量，随后沿时间构成ecg离散点，如图2所示，其为一段时间内部分的ecg离散点。多个rnn模型分别训练各单位时间的输入向量，获得底层分类器。各底层分类器再次预测ecg离散点数据获得预测结果，并采用全连接神经网络将预测结果融合形成向量x，向量x通入sigmoid函数后计算对应异常事件出现的概率，其中异常事件包括但不限于窦性心律、t波改变、窦性心动过缓、正常ecg、左心室高电压、窦性心动过速、qrs低电压，准确分析医疗心电样本对应的异常事件的概率。

本实施例所述一种心律异常预测方法的其它结构参见现有技术。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，故凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何修改、等同变化与修饰,均仍属于本发明技术方案的范围内。