基于12导联静息心电图的多级联人工智能排阴方法与流程

本发明属于心电分析技术领域，具体涉及基于12导联静息心电图的多级联人工智能排阴方法。

背景技术：

计算机对心电图的分析处理是自动化分析处理在医疗卫生领域中为数不多的几个成功应用的例子之一。经过近几十年的发展，心电图自动分析系统已在临床上得到一定的应用。

从分析的底层技术上，大致分为几种分析方法：传统的数字信号滤波分析方法，小波提取特征的分析方法，机器学习诸如svm(支持向量机)等分析方法，以及近几年发展的神经网络和深度学习分析方法。各种方法有各自的优劣点，比如传统的算法和小波对节律分析准确度极高，而深度学习方法对之前识别率很低的特定几种复杂心率失常有比较好的检出率。部分学者近几年用一两种方法的混合来解决特定的问题：比如用小波提取部分波形的细节，再将提取的小波特征送入神经网络进行学习，以更好地实现诸如抓住某一种特征的目的。

医疗级12导联心电图的分析结论是变化多样的，从大的分类上来看心电分析就包括：节律分析、图像分析、临床分析。每一种分类下包括几十种诊断词条，心电分析系统里面对每一张心电图可选择的分析结果词条超过150种，并且互相之间可以交叠组合；因此每张图专家可给出的分析结果差异可能会有成百上千种。

分析复杂波形的心电图是心电图分析领域中备受关注的问题，12导联标准心电图做分析的难处在于其结果的多样性和相互叠加性导致的算法的复杂度、以及很多复杂波形跟疾病之间的对应关系复杂，即使是非常有经验的心电专家也会在分析结论之间模棱两可。

因此，研发一种可以解决上述技术问题的基于12导联静息心电图的排阴方法具有重要意义。

技术实现要素：

针对上述问题，本发明提供了基于12导联静息心电图的多级联人工智能排阴方法，所述方法包括：

s1.使用数字信号处理心电算法对12导联静息心电图进行分析，计算心率，对心率进行判别，过滤掉在设定的心率范围外的心电图数据；

s2.使用卷积神经网络算法对经过步骤s1处理的心电图数据进行分析，过滤掉异常数据；

s3.采用多个残差结构的深度神经网络对经过步骤s2处理的心电图数据进行分析，对心电图的波形细节进行区分判别。

进一步地，步骤s1中，所述数字信号处理心电算法包括识别r波的步骤，所述识别r波的步骤包括：将每一个导联的数据分别通过线性数字滤波器进行滤波留下可用频率范围，滤波后的信号进行频域变换，滤波后的信号在频域寻找功率谱极值点，通过对应时域上的特征确定动态门限，找到每个导联超过门限的点，并作为这一个导联的r波对应顶点，将各导联的r波对应顶点分别取众数，得到全导联r波位置列表；

通过心电图中两个r波之间的距离，计算心率。

进一步地，步骤s1中，所述对心率进行判别包括：将由数字信号处理心电算法计算的心率与设定的心率范围进行比较；

当由数字信号处理心电算法计算的心率在设定的心率范围外时，心电图数据标记为阳性，不再进入下一步；

当由数字信号处理心电算法计算的心率在设定的心率范围内时，心电图数据进入步骤s2。

进一步地，所述设定的心率范围为60-100次每分钟。

进一步地，所述数字信号处理心电算法还包括计算qrs波群、p波、t波、pr间期、qt间期、st段和各导联的特征波形及电压的步骤。

进一步地，步骤s2中，所述经过步骤s1处理的心电图数据包括：左右手接反心电数据、噪声过大心电数据、房颤房扑和室颤心电数据、各种心脏起搏器用户的心电数据、不属于以上特征的心电数据；

所述异常数据为左右手接反心电数据、噪声过大心电数据、房颤房扑和室颤心电数据、各种心脏起搏器用户的心电数据。

进一步地，所述残差结构的深度神经网络的模型深度为130层，数量为8个；

每个所述残差结构的深度神经网络的结构相同，每个所述残差结构的深度神经网络模型的输入训练数据不同，每个模型推理的输出类别不同。

进一步地，步骤s3具体为：利用8个结构相同但是训练系数不同的残差结构的深度神经网络，对心电图波形的8个特征段进行推理，得到每个特征段的阳性或者阴性结果；所述8个特征段为：p波段、q波段、qrs波段的预激特征、qrs波段的阻滞变化、st波段、t波段、pr间期、qt间期。

进一步地，qrs波段的阻滞变化包含左右束支阻滞、左前后分支阻滞、左束支阻滞。

本发明的有益效果：

本发明提供了一种基于12导联静息心电图的多级联人工智能排阴方法，本发明创造性地将数字信号处理心电算法、卷积神经网络算法和多个残差结构的深度神经网络配合使用，即使在心电波形多样性、结论多样性的情况下，本发明方法对正常波形仍有很高的检出率，非常适合在健康人群中排阴使用。并且，本发明方法可以对非正常波形进行分类，且分类能力高，对阳性数据的辅助分析有一定的作用。

而且，本发明提供的方法弥补了现有分析方法对于形态学的波形判别的缺口。现有的数字信号处理心电算法存在对形态学波形判别较弱准确率较低的问题，现有的人工智能分析方法更多只会对部分词条进行分析。本发明提供的方法适用于12导联心电图全诊断词条域的阳性筛查。与现有的分析方法相比，本发明方法的应用范围更广。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于12导联静息心电图的多级联人工智能排阴方法的流程图。

图2为使用数字信号处理心电算法确定全导联r波位置的流程图。

图3为步骤s2中卷积神经网络的结构图。

图4为心电图的8个特征段的示意图。

图5为步骤s3中每个残差结构的深度神经网络的结构图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

鉴于现有技术的不足，本发明创新的设计了12导联静息心电图的三级过滤筛查方法，首先将目标定义为排阴，这样可以使得每一级仅仅负责筛选部分特定波形，并定义只有符合某些条件的波形才能进入下一级进行进一步筛查，保证通过每一级的波形都在下一级中有足够高的敏感性和特异性。

本发明提供了基于12导联静息心电图的多级联人工智能排阴方法，如图1所示，所述方法包括：

s1.通过数字信号处理心电算法对12导联静息心电图进行分析，计算心率，对心率进行判别，过滤掉在设定的心率范围外的心电图数据；

s2.使用卷积神经网络算法对经过步骤s1处理的心电图数据进行分析，过滤掉异常数据；

s3.采用多个残差结构的深度神经网络对经过步骤s2处理的心电图数据进行分析，对心电图的波形细节进行区分判别。

步骤s1中，首先使用数字信号处理心电算法对每一张心电图进行分析，所述数字信号处理心电算法包括识别r波的步骤，如图2所示，所述识别r波的步骤包括：首先将每一个导联的数据分别通过线性数字滤波器进行滤波留下可用频率范围，考虑到每个导联的波形形状不同，部分导联r波为正，部分导联r波为负，因此没有通过电压幅度作为门限而采用了频率门限。滤波后的信号进行频域变换，滤波后的信号在频域寻找功率谱极值点，通过对应时域上的特征确定动态门限，找到每个导联超过门限的点，并作为这一个导联的r顶点。因为单导联的数据容易受到特定噪声(导联线的脱落或移动、肌肉电等)干扰，在某一个导联上判别r波并不一定能够很准确的将所有的r波位置全找出来，会给后续心率相关判别、p波、t波、各种间期和电压判别造成影响，因此本发明将12个导联找到的r波对应顶点通过分别取众数的方法得到全导联r波位置列表。实验证明这样的方法足以支撑后续的计算。

进一步地，通过心电图中两个r波之间的距离，可以计算心率。

所述对心率进行判别包括：将由数字信号处理心电算法计算的心率与设定的心率范围进行比较；当由数字信号处理心电算法计算的心率在设定的心率范围外时，心电图数据标记为阳性，被过滤掉，不再进入下一步；当由数字信号处理心电算法计算的心率在设定的心率范围内时，心电图数据进入步骤s2；

进一步地，所述设定的心率范围可以为60-100次每分钟。

步骤s1作为时间和电压的判别金标准，心率的计算可以达到100％的准确度。考虑到波形因心率高低导致的自然形状变化可能会影响到后续的判别精度，心率低于60次每分钟和心率高于100次每分钟的波形已经被归为阳性不再进入下一步。并且在实验中，申请人发现通过步骤s1可以过滤掉心率在60次以下每分钟的心电图(心率过缓心电图阳性)和心率超过100次每分钟的心电图(心动过速心电图阳性)，仅仅将60-100次每分钟的心电图传递到步骤s2进行分析，步骤s1可以大幅提高ai模型的学习后推理敏感性和特异性。

经过步骤s1的数字信号处理心电算法处理后，心电图的心率已经有部分阳性的数据被筛查出来且被过滤掉，并且心率低于60次每分钟和心率高于100次每分钟的波形已经被归为阳性，不再进入下一步。

进一步地，所述数字信号处理心电算法还包括计算qrs波群、p波、t波、pr间期、qt间期、st段和各导联的特征波形及电压的步骤。在找到r波之后，所述数字信号处理心电算法去搜索r波之前的p波、q波和r波之后的s波、t波。具体地，计算p波、t波、pr间期、qt间期的模型与识别r波的模型相同；例如，通过已经确定的r波，在每个导联上分别去搜寻p波和t波的位置，因为部分导联搜寻的波形甚至肉眼都无法识别，将搜寻到的结果最终通过12导联的众数和中位数(当众数超过合理门限时)判别其具体位置，最终确定整体导联各个波形的位置。在排阴的前提下，如果计算得到的数据值(例如电压、波与波之间的时间)偏离正常值很大，则可以将上述数据直接认为是非正常数据，并将上述数据标记为阳性，上述数据被过滤掉，不能进入下一步。

实验发现，即使将心率超限的波形排除后，如果直接进入对每次心跳心电波形对应细节分析的ai模型，那么其ai模型最终的敏感度和特异性并不高。究其原因是有一些虽然心率属于60-100次每分钟范围内的图形，专家依然能够在拿到图后一眼识别全局上的某一些特征，而这些特征会对波形的细节分析造成干扰，比如：左右手反接心电图、噪声太大的心电图、房颤心电图、安装有心脏起搏器病人的心电图。这些心电图适用于和正常分析不一样的分析方法，甚至部分图本身就是没有意义的，如果它们进入下一步进行详细分析的ai模型，会对后续的模型训练收敛过程和推理过程都造成干扰。

步骤s2的设计像是专家拿到图的第一印象：快速浏览全图，将部分看上去不像心电图的数据和噪声就直接算作阳性，并将其过滤掉，给下一个模型提供分析的基础。

进入步骤s2的心电图数据(即卷积神经网络模型输入训练数据)包括以下五类：左右手接反心电数据、噪声过大心电数据、房颤房扑和室颤心电数据、各种心脏起搏器用户的心电数据、不属于以上特征(不属于左右手接反心电数据、噪声过大心电数据、房颤房扑和室颤心电数据、各种心脏起搏器用户的心电数据)的心电数据。卷积神经网络模型可以根据心电输入数据分为五类：左右手接反心电数据、噪声过大心电数据、房颤房扑和室颤心电数据、各种心脏起搏器用户的心电数据、不属于以上特征(不属于左右手接反心电数据、噪声过大心电数据、房颤房扑和室颤心电数据、各种心脏起搏器用户的心电数据)的心电数据。

步骤s2使用卷积神经网络算法对经过步骤s1处理的心电图数据进行分析，过滤掉异常数据。所述异常数据为左右手接反心电数据、噪声过大心电数据、房颤房扑和室颤心电数据、各种心脏起搏器用户的心电数据。所述卷积神经网络的层数为23层，图3为步骤s2中卷积神经网络的结构图，如图3所示，首先将心电图数据多次经过两层一维卷积、归一化、激励、池化过程，随后经过全局平均池化层、断脱层、概率分布层，输出数据。步骤s2可以将心电向量逐步卷积成为：1*64特征图(featuremap)深度32、1*32特征图深度128、1*16特征图深度256、1*4特征图深度512的向量，并最终输出五分类判别。

申请人将40万张心电图数据送入如图3所示的卷积神经网络模型中进行训练，最终获得了一个五分类的卷积神经网络模型，模型在对5万测试数据推理中可以达到95％的分类准确度。

步骤s2的卷积神经网络模型可以将五分类中的最后一类(不属于左右手反接、噪声过大、房颤房扑室颤、各种心脏起搏器用户的数据)送入下一个模型中。

经过步骤s1和步骤s2的逐级筛查，心电波形到了步骤s3进行ai判别时，图形是相对完整，并可以找到所有的心电判别的特征点，因为心电图的结果的多样性和结果相互叠加性，即使申请人尝试对心电诊断词条进行分组训练，申请人发现部分分组之间依然是有叠加的，比如很常见的右束支阻滞较大概率会同时包含st-t的词条，所以从词条上进行划分并期待ai直接给出心电分析全词条结论会比较困难(所以很多的文章仅仅针对几种至多十几二十种词条进行自动分析)。而如果要应用在者排阴，必须覆盖各种心电图的分析结果而非部分才可能真实应用。

虽然有问题的心电图图形千差万别变化多端，各种组合让很多有经验的心电图专家都无法瞬间给出答案，但是正确的心电图确是相差相对来说不那么巨大，就如所有的心电图教科书所言，正常的心电图都可以区分出pqrst波形群，每个波形或波形群都有各自在每个导联上的正常范围，申请人从这个角度入手，将心电图切成了8个特征段，如图4所示，用8个结构相同但是训练系数不同的130层残差结构的深度神经网络关注这8个心电波形特征段，分别是：1-p波段、2-q波段、3-qrs波段的预激特征、4-qrs波段的阻滞变化、5-st波段、6-t波段、7-pr间期、8-qt间期。

首先从40万条心电数据中提取出这8个心电特征段的分类，如p波段的：p波正常、p波低频、p波高耸三个分类；q波段的：正常q波、异常q波两个分类；qrs波段的预激特征的：有预激、无预激两个分类；qrs波段的阻滞变化的：有阻滞、无阻滞两个分类；st波段的：st抬高、st压低、st正常三个分类；t波段的：t波高耸、t波低频倒置、t波正常三个分类；pr间期的：pr间期延长、pr间期缩短、pr间期正常三个分类；qt间期的：qt间期延长、qt间期缩短、qt间期正常三个分类。

每个残差结构的深度神经网络的结构如图5所示，首先将经过步骤s2处理的心电数据经过两层一维卷积、归一化、激励过程，随后重复20次残差结构，具体的，每层残差结构相同，均为经过一维卷积、归一化、激励、断脱、一维卷积、池化过程，将输出的数据进入下一次的残差结构，重复20次。将经过重复20次残差结构的数据经过归一化、激励、全局平均池化、全连接、概率分布过程，即可输出某一种波段特征的推理结果。

将每个心电波段的分类结果送入每一个130层残差结构的深度神经网络进行训练，获得八个训练完成的深度神经网络模型，具体为：模型1-p波段、模型2-q波段、模型3-qrs波段的预激特征、模型4-qrs波段的阻滞变化、模型5-st波段、模型6-t波段、模型7-pr间期、模型8-qt间期。每个所述残差结构的深度神经网络的结构相同，每个所述残差结构的深度神经网络模型的输入训练数据不同，每个模型推理的输出类别不同。每个模型可以对输入的心电波形进行推理，推理的结果对应心电波形响应的特征段，并得到每个特征段的阳性或者阴性结果。

申请人发现如果将主要出现在qrs波前半段特征的预激特征和阻滞交叠在一起，其敏感度不如分开训练更高，因此申请人将qrs波分为了前半部分和后半部分，分别用预激模型和阻滞模型进行训练和感知。其中qrs波段的阻滞变化本身包含诸多阻滞类型，如左右束支阻滞、左前后分支阻滞、左束支阻滞等。

在8个模型完整经过40万条数据训练后，申请人用10万条未参与训练的数据进行验证，发现每个模型的准确度都在95％以上，说明本发明方法对于排阴具有极高的敏感度和可以接受的特异性。

本发明巧妙的使用了三级结构，目标定位为12导联静息心电图的排阴，利用了数字信号处理心电算法对某些心电图特征(如心率)准确定位计算精准的特点筛查出部分阳性波形，同时用ai的形态学判别能力互补了第一级无法处理的形态特征，各取所长。具体地，通过步骤s1和步骤s2进行两层过滤后，将更加稳定的波形进入步骤s3处理，步骤s3可以对心电图的不同部分进行关注和推理。步骤s3的设计巧妙绕开了心电分析结论相互重叠和多样性的难点，用心电图图形p波段、q波段、qrs波群的预激特征、qrs波群的阻滞变化、st段、t波段、pr间期、qt间期分段阳性或者阴性来表示。

本发明提供的方法弥补了现有分析方法对于形态学的波形判别的缺口。

此外，现有的数字信号处理心电算法存在对形态学波形判别较弱准确率较低的问题，现有的人工智能分析方法更多只会对部分词条进行分析。本发明提供的方法适用于12导联心电图全诊断词条域的阳性筛查。与现有的分析方法相比，本发明方法的应用范围更广。

尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。