心电信号质量评估方法、计算机装置和存储介质与流程

文档序号:25990423发布日期:2021-07-23 21:01阅读:140来源:国知局
心电信号质量评估方法、计算机装置和存储介质与流程

本发明涉及心电信号处理技术领域,尤其是一种心电信号质量评估方法、计算机装置和存储介质。



背景技术:

心血管疾病的死亡人数约占全球死亡人数的三分之一,因此心血管疾病的及早发现至关重要。ecg是医疗人员与相关专家用于诊断心脏健康的最广泛且有效的手段,在心脏每个心动周期中,通过心电描记器从体表多处引出多个电位变化,根据心电图的波形和节律来进行心脏疾病的诊断。对于医疗人员与心脏专家而言,长时程监测患者心电波形和节律难以实现,而用于自动心律失常检测的穿戴式的ecg监测设备可极大地辅助医生进行心脏疾病诊断。

利用神经网络在移动端和云端对心电事件进行监控能有效减少医护工作者的负担,并且可为中老年人提供长时程的心电监控,减少心血管疾病带来的风险,而进行心率失常自动检测的必要前提是对心电信号进行质量评估。现代相关的科研工作中,研究者多数基于基准特征如qrs波群的时域特征或频域特征、r-r间期等进行心电信号质量评估,但这些现有方法不够鲁棒,容易把病理性的信号误判为质量不合格的信号,这在临床应用中是不可接受的现象。近年来神经网络的快速发展,使其成为一个有效的工具,利用其进行心电质量评估,准确率可以达到较高水平,但由于计算能力的限制,一般的神经网络只能部署在云端,难以在移动端等计算能力较低的终端上运行,因此限制了利用神经网络进行心电质量评估的应用。



技术实现要素:

针对上述至少一个技术问题,本发明的目的在于提供一种心电信号质量评估方法、计算机装置和存储介质。

一方面,本发明实施例包括一种基于神经网络架构搜索的动态心电信号质量评估方法,包括:

获取训练数据集;所述训练数据集包括多段心电信号以及每段所述心电信号各自对应的质量标记;所述质量标记用于标记相应的所述心电信号为可接受或不可接受;

将所述训练数据集的部分或全部输入至自动架构搜索算法中进行神经网络搜索,获得具有不同超参数的mobileinvertedresidual网络块的神经网络;

对所述神经网络进行微调优化二分类训练;

获取测试数据集;所述测试数据集包括多段心电信号;

将所述测试数据集的部分或全部输入至所述神经网络,获取所述神经网络输出的对所述测试数据集中的心电信号的质量评估结果。

进一步地,所述获取训练数据集,包括:

通过可穿戴设备获取原始动态心电数据;

对所述原始动态心电数据按固定时长进行分段,获得多段心电信号;

对各段所述心电信号进行噪声分析;

当所述心电信号包括工频干扰噪声、肌电干扰噪声和/或基线漂移噪声,将所述心电信号的质量标记设置为不可接受,反之将所述心电信号的质量标记设置为可接受;

将所述训练数据集的格式设置为hdf5格式。

进一步地,所述mobileinvertedresidual网络块用于将接收到的输入数据作为低维特征图,使用1×1的点卷积将所述低维特征图扩增为高维特征图,使用k×k的深度卷积对所述高维特征图进行本层特征提取,使用1×1的线性点卷积将提取到的特征映射到低维空间中。

进一步地,所述将所述训练数据集的部分或全部输入至自动架构搜索算法中进行神经网络搜索这一步骤中,所述神经网络每一层的输入为前一层的输出,所述神经网络的第i层输出为其中为第i层的输入,bj为一个由概率决定的mask,bj可以表示为

bj=[1,0,...,0]×p1+[0,1,...,0]×p2+...+[0,0,...,1]×pn;

pk,pq≠0;pk+pq=1;pi=0,i≠k,q;i=0,...,n,k,q≤n;其中n为候选操作的个数,所述候选操作可以表示为集合o={convk,n,s,poolingk_p,s_p,identityn_i};其中conv为卷积操作,k为卷积核的大小,n为卷积核的个数,s为卷积的步长;pooling为池化操作,k_p为池化核的大小,s_p为池化的步长;identity为全连接操作,n_i为全连接输出的个数。

进一步地,所述将所述训练数据集的部分或全部输入至自动架构搜索算法中进行神经网络搜索这一步骤中,所述神经网络的损失函数为其中lossce为带标签平滑的交叉熵,为正则化项,t(latency)为整个所述神经网络的运算时延,λ1和λ2为系数。

进一步地,其中ysoft是平滑后的真实one-hot编码标签,是所述神经网络的预测值,ε为误差;

其中为所述神经网络中第i层第j个操作的时延,为所述神经网络中第j层第i个操作的结构参数,m和n为候选操作个数。

进一步地,在所述对所述神经网络进行微调优化二分类训练这一步骤中,梯度下降更新网络的权值参数可表示为:

其中wi本次更新后的网络参数,wi-1为上次更新后的网络参数,α为学习率。

进一步地,所述动态心电信号质量评估方法还包括:

在将所述训练数据集的部分或全部输入至自动架构搜索算法中进行神经网络搜索之前,还将所述神经网络的第一层输入层固定为单层长短期记忆单元lstm。

另一方面,本发明实施例还包括一种计算机装置,包括存储器和处理器,所述存储器用于存储至少一个程序,所述处理器用于加载所述至少一个程序以执行实施例中的基于神经网络架构搜索的动态心电信号质量评估方法。

另一方面,本发明实施例还包括一种存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于执行实施例中的基于神经网络架构搜索的动态心电信号质量评估方法。

本发明的有益效果是:实施例中所训练和使用的神经网络,是具有不同超参数的mobileinvertedresidual网络块的神经网络,其接收的心电信号可以是一维信号,与只能接收二维心电信号的现有技术相比,所需的数据存储空间更小,运算速度更快;实施例中的神经网络是具有不同超参数的mobileinvertedresidual网络块的神经网络,其参数量少,是一种轻量级神经网络,对计算机的计算能力要求低,可适用于可穿戴设备或手机等移动端;相较于传统的心电信号质量评估算法,实施例中的神经网络对于由短时导联脱落造成的信号质量不可接受问题更鲁棒,更能可靠有效地识别此类型的质量不可接受数据;经过训练微调后,可根据准确率、敏感度、特异性、阳性预测值、阴性预测值、auc、f1分数等不同指标进行质量评估。

附图说明

图1为实施例中基于神经网络架构搜索的动态心电信号质量评估方法的流程图;

图2为实施例中质量标记为可接受的心电数据的示意图;

图3和图4为实施例中质量标记为不可接受的心电数据的示意图;

图5、图6和图7为实施例中基于不同超参数的mobileinvertedresidual网络块的原理图;

图8为实施例中神经网络搜索的原理图;

图9为实施例中神经网络的结构图;

图10和图11为实施例中所使用的的lstm的结构图。

具体实施方式

本实施例中,参照图1,基于神经网络架构搜索的动态心电信号质量评估方法包括以下步骤:

s1.获取训练数据集;

s2.将训练数据集的部分或全部输入至自动架构搜索算法中进行神经网络搜索,获得具有不同超参数的mobileinvertedresidual网络块的神经网络;

s3.对神经网络进行微调优化二分类训练;

s4.获取测试数据集;测试数据集包括多段心电信号;

s5.将测试数据集的部分或全部输入至神经网络,获取神经网络输出的对测试数据集中的心电信号的质量评估结果。

本实施例中,步骤s1,也就是获取训练数据集这一步骤,包括:

s101.通过可穿戴设备获取原始动态心电数据;

s102.对原始动态心电数据按固定时长进行分段,获得多段心电信号;

s103.对各段心电信号进行噪声分析;

s104.当心电信号包括工频干扰噪声、肌电干扰噪声和/或基线漂移噪声,将心电信号的质量标记设置为不可接受,反之将心电信号的质量标记设置为可接受;

s105.将训练数据集的格式设置为hdf5格式。

步骤s101中,原始的心电信号通过可穿戴设备获取,并且时程长,可以囊括日常多种行为情况下的心电数据,数据中的噪声类型也更丰富多样,增加了数据的多样性,不仅有利于神经网络的训练,还更符合远程心电事件监测的实际情况。可穿戴设备在采集原始动态心电数据时,所使用的采样频率可以是500hz。

步骤s102中,对心电数据进行分段,并制作成神经网络通用的数据集;在实际的长时程动态心电监测中,为了实时获得监测结果,应每隔一个短时间段输出监测信息,因此该实例将时间片段长度设置为常用值10秒,短时间段的心电信号还可减少基线漂移的影响和滤除运动伪影。心电信号的采样率设置为常用值500赫兹。

10秒的心电数据同样具有两种类型的标签:具有临床诊断价值故质量可接受,和不具备临床诊断价值故质量不可接受。具体地,可以通过由1个评估人、1个审核人、2个初审人和1个终审人组成的专家组,在步骤s103和s104中评估审核心电信号的质量标记,将心电信号分类为可接受或不可接受。例如,对于如图2所示的心电数据,其质量标记将会是可接受,对于如图3和图4所示的心电数据,其质量标记将会是不可接受。

步骤s105中,将训练数据集的格式设置为hierarchicaldataformat,即hdf5格式。

步骤s2中,将训练数据集输入到自动架构搜索算法中进行神经网络搜索,得到一个各项指标表现优秀的神经网络。网络架构搜索是自动机器学习的一个主流方向,包括搜索空间、搜索策略和性能评估策略三个方面。本实施例中,将搜索策略设置为梯度下降方法,将性能评估策略设置为权值共享的整网络评估。本实施例中,链式架构搜索空间的参数包括:

a1.神经网络的最大层数;

a2.每一层的运算操作:卷积、池化等等;

a3.运算相关的超参数:滤波器的尺寸k、滤波器的数量c、步长s、扩增率e等等;

a4.激活函数:tanh、sigmoid、sotfmax、relu等等。

步骤s2中,基于网络块的搜索空间可以是不同连接方式搭建的网络块,例如inceptionblock、residualblock、mobileinvertedresidualblock等等,还有不同超参数的同类型网络块的组合。考虑到本发明可以具有更广泛的实际的应用场景,本实施例选用基于不同超参数的mobileinvertedresidual网络块的搜索空间,所使用的基于不同超参数的mobileinvertedresidual网络块的原理如图5、图6和图7所示,其比链式架构搜索空间更加节省存储空间和计算资源,比其他类型网络块在节省存储空间的条件下对分类问题表现更优异。

参照图5、图6和图7,神经网络中的mobileinvertedresidual网络块先将输入的低维特征图使用1×1的点卷积将低维特征图扩增为高维特征图,后使用k×k的深度卷积对高维特征图进行本层特征提取,使用1×1的线性点卷积将提取到的特征映射到低维空间中,是一个“扩增-特征提取-缩减”的过程。其中,深度可分离卷积层的作用是特征提取;点卷积的作用是进行通道数的扩增或缩减;relu6是激活函数,其作用是增加了网络各层之间的非线性关系,使网络具有非线性表达,可完成各项复杂任务;linear是全连接操作,其作用是将提取到的特征整合;跳跃连接用于实现residual,可减缓梯度消失的问题,还可使网络能够利用前面的信息。

基于不同超参数的mobileinvertedresidual网络块(简写为mb)的搜索方式,即把不同超参数的该网络块选择性地组建为一个对数据集有最优表现的网络,搜索过程如图8示例。在步骤s2,也就是将训练数据集的部分或全部输入至自动架构搜索算法中进行神经网络搜索这一步骤中,神经网络每一层的输入为前一层的输出,神经网络的第i层输出为其中为第i层的输入,bj为一个由概率决定的mask,该mask在网络搜索过程只有两个非零元素,使网络的每一层都只剩两个候选操作oj以节省计算资源和存储空间。

bj可以表示为:

bj=[1,0,...,0]×p1+[0,1,...,0]×p2+...+[0,0,...,1]×pn;

pk,pq≠0;pk+pq=1;pi=0,i≠k,q;i=0,...,n,k,q≤n;其中n为候选操作的个数,候选操作可以表示为集合o={convk,n,s,poolingk_p,s_p,identityn_i};其中conv为卷积操作,k为卷积核的大小,n为卷积核的个数,s为卷积的步长;pooling为池化操作,k_p为池化核的大小,s_p为池化的步长;identity为全连接操作,n_i为全连接输出的个数。

在步骤s2,也就是将训练数据集的部分或全部输入至自动架构搜索算法中进行神经网络搜索这一步骤中,神经网络的损失函数为

其中lossce为带标签平滑的交叉熵,能够缓解因one-hot编码带来的问题:模型容易过拟合,即在训练样本中表现良好,但在未见样本中表现差。该交叉熵可以表示为其中ysoft是平滑后的真实one-hot编码标签,是神经网络的预测值,在二分类问题中,原标签为0或1,而对应one-hot编码后的标签可以表示为:[1,0]或[0,1],one-hot编码将离散特征映射到欧式空间,令特征之间的距离计算更加合理,但带来的问题如前所述。因此,对应平滑后的真实one-hot编码标签可表示为:其中ε为误差。标签平滑后,提高了对标注错误数据的容忍度,可以缓解模型过拟合的问题。

损失函数的表示为正则化项,λ1和λ2为系数。t(latency)为整个神经网络的运算时延,即输入到输出所经历的时间,将其添加入损失函数中,可以约束网络的规模,使其轻量化且速度快。

本实施例中,t(latency)可表示为其中为神经网络中第i层第j个操作的时延,为神经网络中第j层第i个操作的结构参数,m和n为候选操作个数。

在步骤s3,也就是对神经网络进行微调优化二分类训练这一步骤中,对通过步骤s2获得的神经网络(也可以称为二分类模型)进一步微调优化。通过步骤s2获得的神经网络的结构如图9所示,该神经网络有17层结构,可以观察出其具有头部和尾部较宽,中间较窄的结构,类似于mobileinvertedresidualblock(mb)。图9所示的神经网络除了首层为单一的卷积操作和最后一层为单一的全连接操作外,其余每一层均为mb,其输出可表示为:

xt=mb(xt-1)=linear(conv1×1(relu6(dwise(relu6(conv1×1(xt-1))))))+xt-1。

图9所示的神经网络中,每一层的输出均为下一层的输入。若深度卷积的步长为2,则本层输出无需加上前一层的输出xt-1。

本实例选取标签平滑的交叉熵作为损失函数,能够缓解因one-hot编码使模型容易过拟合的问题,可表示为其中ysoft是平滑后真实的one-hot标签,是网络的预测值。梯度下降更新网络的权值参数可表示为:

其中wi本次更新后的网络参数,wi-1为上次更新后的网络参数,α为学习率。

在执行步骤s1-s3之后,执行步骤s4,获取包含多段心电信号的测试数据集,其中,测试数据集中的心电信号的格式可以与训练数据集中的心电信号的格式相同,即同样是通过穿戴式设备以500hz的采样频率采样得到的,每段心电信号的时长为10s,测试数据集的数据格式为hierarchicaldataformat,即hdf5格式。

执行步骤s5,将测试数据集中的心电信号片段输入通过执行步骤s1-s3得到的微调后的神经网络中进行二分类,神经网络的输出结果将表示输入到神经网络的心电信号片段为质量可接受或质量不可接受,从而实现对测试数据集中的心电信号的质量评估。

本实施例中基于神经网络架构搜索的动态心电信号质量评估方法所训练和使用的神经网络,是具有不同超参数的mobileinvertedresidual网络块的神经网络,其接收的心电信号可以是一维信号,与只能接收二维心电信号的现有技术相比,所需的数据存储空间更小,运算速度更快;本实施例中的神经网络是具有不同超参数的mobileinvertedresidual网络块的神经网络,其参数量少,是一种轻量级神经网络,对计算机的计算能力要求低,可适用于可穿戴设备或手机等移动端;相较于传统的心电信号质量评估算法,本实施例中的神经网络对于由短时导联脱落造成的信号质量不可接受问题更鲁棒,更能可靠有效地识别此类型的质量不可接受数据;经过训练微调后,可根据准确率、敏感度、特异性、阳性预测值、阴性预测值、auc、f1分数等不同指标进行质量评估。

由于本实施例中的基于神经网络架构搜索的动态心电信号质量评估方法能够应用在可穿戴设备上,因此可穿戴设备可以在采集到心跳信号后在本地运行本实施例中的基于神经网络架构搜索的动态心电信号质量评估方法,从而快速将心跳信号的质量评估为可接受或不可接受,如果是不可接受,可穿戴设备可以立即提示人员通过调整穿戴姿势并进行重新采集,从而有助于快速获得可接受的心跳信号,与现有技术中需要由可穿戴设备将待处理数据上传至上位机或云服务器,由上位机或云服务器处理后将处理结果返回至可穿戴设备再进行警报提示的技术方案相比,本实施例中的基于神经网络架构搜索的动态心电信号质量评估方法具有更小的时延,从而提供更佳的使用体验。

本实施例中,在执行步骤s2时,在将训练数据集的部分或全部输入至自动架构搜索算法中进行神经网络搜索之前,还将神经网络的第一层输入层固定为单层长短期记忆单元lstm,以在步骤s1-s5的技术效果的基础上,进一步实现动态评估功能。

本实施例中所使用的lstm是循环卷积网络rnn的一种高效形式,在序列模型当中,获取先前的信息后有助于模型更高效地执行当前任务,而rnn则可以通过循环来获取之前的信息,但当时间间隔不断增大时,rnn学习先前信息的能力会大大降低,lstm则可以解决这个问题。参照图10和图11,lstm包括以下a1-a3三个重要结构:

a1.遗忘门:决定从细胞中丢弃哪些信息,即对记忆细胞中存储的先前的信息进行选择性“遗忘”,把重要的信息“记住”,把不重要的信息“遗忘”,可表示为:

ft=σ(wf·[ht-1,xt]+bf);

其中ht-1为上一节点的输出,σ为sigmoid函数,可以把输入变量映射到(0,1)之间,因此在遗忘门的权值参数wf作用下,输入与权值参数进行运算后,再加上偏置,若为较大负值,sigmoid函数会将其置为接近0的数,则遗忘门关闭,阻止信息通过,即“遗忘”先前保留的信息;若为较大的正值,sigmoid函数会将其置为接近1的数,则遗忘门开启,信息几乎完全通过,即“记住”先前保留的信息。

a2.输入门:确定从细胞状态中保存哪些新的信息,即对输入进行选择性“记忆”,原理同遗忘门,可表示为:

it=σ(wi·[ht-1,xt]+bi);

其中为输入到细胞中存储的新信息。

并更新细胞的状态,即结合遗忘门的输出和选择性记忆后的输出信息进行存储内容的更新,本节点更新的存储内容为下一节点遗忘门选择性丢弃的信息,细胞状态的更新可表示为:

⊙表示同或运算;

其中ct-1为细胞中存储的上一节点细胞更新后的信息。

a4.输出门:确定细胞状态中的输出部分,可表示为:

ot=σ(wo·[ht-1,xt]+bo);

ht=ot⊙tanh(ct),⊙表示同或运算;

其中ht为本节点最终的输出。

从lstm的内部结构可知其通过门控状态来控制传输状态,可以记住需要长时间记忆的信息,遗忘不重要的信息,在动态处理序列数据的同时还能进行前后联系。

可以通过编写执行本实施例中的基于神经网络架构搜索的动态心电信号质量评估方法的计算机程序,将该计算机程序写入至计算机装置或者存储介质中,当计算机程序被读取出来运行时,执行本实施例中的基于神经网络架构搜索的动态心电信号质量评估方法。

需要说明的是,如无特殊说明,当某一特征被称为“固定”、“连接”在另一个特征,它可以直接固定、连接在另一个特征上,也可以间接地固定、连接在另一个特征上。此外,本公开中所使用的上、下、左、右等描述仅仅是相对于附图中本公开各组成部分的相互位置关系来说的。在本公开中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。此外,除非另有定义,本实施例所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本实施例说明书中所使用的术语只是为了描述具体的实施例,而不是为了限制本发明。本实施例所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。

应当理解,尽管在本公开可能采用术语第一、第二、第三等来描述各种元件,但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如,在不脱离本公开范围的情况下,第一元件也可以被称为第二元件,类似地,第二元件也可以被称为第一元件。本实施例所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例,并且除非另外要求,否则不会对本发明的范围施加限制。

应当认识到,本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现,其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。

此外,可按任何合适的顺序来执行本实施例描述的过程的操作,除非本实施例另外指示或以其他方式明显地与上下文矛盾。本实施例描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步,所述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、ram、rom等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时,本实施例所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时,本发明还包括计算机本身。

计算机程序能够应用于输入数据以执行本实施例所述的功能,从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中,转换的数据表示物理和有形的对象,包括显示器上产生的物理和有形对象的特定视觉描绘。

以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1