一种基于卷积神经网络的多导联心电信号分类方法与流程

1.本发明涉及与医疗有关的心电信号异常检测领域，特别涉及一种基于卷积神经网络的多导联心电信号分类方法。


背景技术：

2.心电图是一种用来记录和监测心脏电活动的信号，它可以用来观察心跳的规律，并帮助诊断心脏病，如心律失常，缺血性心脏病，心肌梗死等。随着技术的发展，不仅有基于单导联的心电信号，还有大量基于多导联的心电信号，能够更全面的监测心脏的状况。然而，在用心电图进行长期监护的情形下，人工检查就显得非常耗时和枯燥。在每天产生大量数据的体检中心，医生大部分时间都在区分正常和异常心电图，而无法集中精力分析异常心电图。所以利用计算机辅助进行心电信号的正常、异常分类，让医生有足够的精力和时间分析异常的心电信号变得尤为重要。
3.目前，已经有很多基于单导联信号的心电信号分类方法，然而单导联的信号只能反映心脏一部分的电活动，如v1和v2导联记录的是右心室的电活动，而v5和v6记录的是左心室的电活动。为了更准确的进行心电信号分类，应当更多的关注基于多导联信号的心电信号分类。不同于单导联信号，基于多导联信号的方法必须要同时考虑不同导联的信号情况。因此，在这项任务中，无论是基于传统的方法还是基于深度学习的方法，如何有效的提取和融合不同导联的特征都是一个关键的问题。而这一问题目前并没有得到有效的解决，虽然已经有许多基于多导联心电信号的方法被提出，但它们都忽略了不同导联信号对心电信号分类的不同影响。在进行心电信号分类时，虽然各个导联的信号都有用，但它们并不是同等重要的，某些导联的信号往往能够提供更为关键的信息，在心电信号分类中起到更加重要的作用。所以在对各个导联的信号所提供的特征信息进行融合时，应考虑不同导联的不同重要性，而目前的技术并没有考虑到这一关键问题,故此，我们提出了一种基于卷积神经网络的多导联心电信号分类方法。


技术实现要素：

4.本发明的主要目的在于提供一种基于卷积神经网络的多导联心电信号分类方法，可以有效解决背景技术中的问题。
5.为实现上述目的，本发明采取的技术方案为：
6.一种基于卷积神经网络的多导联心电信号分类方法，包括以下步骤：
7.步骤一、从中国心血管疾病数据库ccdd中获取12导联的数据，所述数据库中每条心电图记录均来自临床，持续时间为10～20s，采样频率为500hz，诊断结论由心脏科医生给出，然后进行以下步骤的数据预处理；
8.a.去除时长不足9.625s以及记录结论为空或无效的心电图，然后将记录结论为“0x0101”或“0x020101”或“0x020102”的心电图标注为正常样本，其他则为异常样本；
9.b.对ecg数据进行低通滤波，然后下采样到200hz；
10.c.跳过开始的25个采样点,取中间的1900个点的数据作为原始数据，由于12导联的数据有8个为基本导联，而其他4个导联可由基本导联推导得出，所以本发明只保留了8个基本导联的数据，即ii,iii,v1,v2,v3,v4, v5,v6导联的数据；
11.d.划分训练集、验证集以及测试集，并对训练集数据进行平移起始点和加噪处理，以处理数据不平衡问题，同时也增加了训练样本量，其中，平移起始点是指训练时，每个样本都是在[1,400]的范围内随机选起始点，然后选取连续的1500个点作为卷积神经网络的输入；而加噪处理包括叠加白噪声、低频基线漂移噪声和高频噪声，这两个处理对于8个导联的数据都是同步的。
[0012]
步骤二、构建卷积神经网络，所构建的卷积神经网络包括两个重要组成部分，分别为全局特征的提取和局部特征的提取；
[0013]
步骤三、利用训练集数据对模型进行训练，并利用验证数据集优化模型的超参数；
[0014]
步骤四、利用测试数据集来评估模型的性能，判断分类的准确性。
[0015]
优选的，所述步骤二中纳米改性硅化钒是通过有机锗对纳米硅化钒进行改性得到的。
[0016]
优选的，在所述步骤二中，全局特征提取部分主要是利用卷积运算来提取心电信号的全局特征，采用不同尺寸的卷积核，经过两层卷积
‑
最大池化层后，再经过flatten层，即得到全局特征向量；局部特征提取部分利用注意力机制给予不同导联不同的权重，对于关键的导联信号，往往会学习到更大的权重，然后将不同导联的心电信号加权求和，再经过全连接层降维，所得到的特征向量即为局部特征向量。最后将全局特征向量和局部特征向量进行拼接，再通过全连接层和输出层，即可得到心电信号的分类结果。
[0017]
优选的，在所述步骤一d中，加噪处理的具体步骤包括：
[0018]
s1：每个导联分别叠加幅度在[0,0.1]随机变化的白噪声；
[0019]
s2：每个导联分别叠加幅度在[0,0.1]随机变化，相位随机，频率在[0, 0.2]随机变化的低频噪声；
[0020]
s3：每个导联分别叠加幅度在[0,0.15]随机变化，相位随机，频率在[45, 90]随机变化的高频噪声；
[0021]
s4：每个导联分别减去叠加噪声后的该导联平均值。
[0022]
优选的，在所述步骤三中训练时使用交叉熵作为损失函数，并利用adam 优化器来优化损失函数，模型的训练就是为了学习模型中的可训练参数，其首先利用均值为0，方差为0.1的高斯分布来初始化参数，然后将训练数据输入到模型中，以最小化损失函数为目标进行迭代。同时在训练几个epoch结束以后，可以利用验证集验证效果，以及时调整模型中的超参数。
[0023]
与现有技术相比，本发明具有如下有益效果：
[0024]
1、本发明提出的方法能够有效利用多个导联的信号，不仅考虑了不同导联能够提供心脏不同部分的电活动，还利用注意力机制对不同导联的不同重要性进行了学习，能够更加高效的利用不同导联的信息。
[0025]
2、本发明通过多个不同的卷积核对多导联信号分别进行了卷积操作，能够以不同的方式融合多导联信号，所得到的全局特征更加全面，为进一步的分类提供了支撑，使得分类结果更加精确。
[0026]
3、本发明利用卷积神经网络，不仅能够自动提取特征，减少人工提取特征的时间和精力，还能够对不同导联信号进行有效利用，可有效提升心电信号分类的准确度。
附图说明
[0027]
图1为本发明的多导联心电信号分类整体流程图；
[0028]
图2为本发明中基于卷积神经网络的模型图。
具体实施方式
[0029]
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
[0030]
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0031]
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0032]
如图1
‑
2所示，一种基于卷积神经网络的多导联心电信号分类方法，包括以下步骤：
[0033]
步骤一、从中国心血管疾病数据库ccdd中获取12导联的数据，所述数据库中每条心电图记录均来自临床，持续时间为10～20s，采样频率为500hz，诊断结论由心脏科医生给出，然后进行以下步骤的数据预处理；
[0034]
a.去除时长不足9.625s以及记录结论为空或无效的心电图，然后将记录结论为“0x0101”或“0x020101”或“0x020102”的心电图标注为正常样本，其他则为异常样本；
[0035]
b.对ecg数据进行低通滤波，然后下采样到200hz；
[0036]
c.跳过开始的25个采样点,取中间的1900个点的数据作为原始数据，由于12导联的数据有8个为基本导联，而其他4个导联可由基本导联推导得出，所以本发明只保留了8个基本导联的数据，即ii,iii,v1,v2,v3,v4, v5,v6导联的数据；
[0037]
d.划分训练集、验证集以及测试集，并对训练集数据进行平移起始点和加噪处理，以处理数据不平衡问题，同时也增加了训练样本量，其中，平移起始点是指训练时，每个样本都是在[1,400]的范围内随机选起始点，然后选取连续的1500个点作为卷积神经网络的输入；而加噪处理包括叠加白噪声、低频基线漂移噪声和高频噪声。
[0038]
其中具体步骤包括：(1)、每个导联分别叠加幅度在[0,0.1]随机变化的白噪声；(2)、每个导联分别叠加幅度在[0,0.1]随机变化，相位随机，频率在[0,0.2]随机变化的低频噪声；(3)、每个导联分别叠加幅度在[0,0.15] 随机变化，相位随机，频率在[45,90]随机变化的高频噪声；(4)、每个导联分别减去叠加噪声后的该导联平均值。这两个处理对于8个
导联的数据都是同步的。
[0039]
步骤二、构建卷积神经网络；如图2所示，所构建的卷积神经网络包括两个重要组成部分，分别为全局特征的提取和局部特征的提取。全局特征提取部分主要是利用卷积运算来提取心电信号的全局特征。特别地，在这里采用了不同尺寸的卷积核，经过两层卷积
‑
最大池化层后，再经过flatten层，即得到全局特征向量。局部特征提取部分利用注意力机制给予不同导联不同的权重，对于关键的导联信号，往往会学习到更大的权重。然后将不同导联的心电信号加权求和，再经过全连接层降维，所得到的特征向量即为局部特征向量。最后将全局特征向量和局部特征向量进行拼接，再通过全连接层和输出层，即可得到心电信号的分类结果。
[0040]
下面结合图2，具体的描述一下模型构建的详细过程。
[0041]
(一)全局特征提取
[0042]
如图2上半部分所示，如图2上半部分所示，其主要是由两个卷积
‑
最大池化层以及flatten层所构成。输入的心电信号为8
×
1500维的二维矩阵，其是由8个基本导联的心电信号l1，l2，l3，...，l8所组成的。本发明利用了两种类型的卷积核进行卷积运算：一种是一次考虑了3个导联的情况，卷积核的尺寸依次为3
×
21和3
×
13，滤波器个数分别为4和8，步长为1，所对应的最大池化窗口的尺寸依次为1
×
10和1
×
8；另一种是一次考虑4 个导联的情况，卷积核的尺寸依次为4
×
21和4
×
13，滤波器个数分别为4、8，步长为1，所对应的最大池化窗口的尺寸依次为1
×
10和1
×
8。经过两个卷积
‑
最大池化层后，还需要利用flatten层，将三维数据一维化，最后得到的即是全局特征向量；
[0043]
(二)局部特征提取。
[0044]
如图2下半部分所示，提取局部特征，最重要的就是注意力层，其主要是为了学习不同导联心电信号的不同重要性。用公式表示如下：
[0045]
α
n
＝w1σ(w1l
n
)
[0046][0047]
其中l
n
为第n个导联的心电信号所构成的向量 (n＝1，2，...，8),w1和w1为注意力网络的参数，σ为sigmoid 激活函数，α
′
n
即为第n个导联的信号的注意力值，即其重要性。再经过加权求和，即可得到注意力层的输出c，用公式表示如下：
[0048][0049]
然后再经过全连接层进行适当的降维，即可得到局部特征向量。
[0050]
(三)对心电信号进行分类。首先将全局特征向量和局部特征向量进行拼接，然后输入到全连接层，再经过输出层，即可得到分类结果0或1，其中 0表示异常，1表示正常。输出层用公式表达为：
[0051]
d＝σ(w2p+b2)
[0052]
其中w2为全连接层到输出层的权重矩阵，b2为其偏置项，p为前一个全连接层的输出，d即为最终的分类结果。
[0053]
步骤三、利用训练集数据对模型进行训练，并利用验证数据集优化模型的超参数。
具体地，步骤三中训练时使用交叉熵作为损失函数，并利用adam 优化器来优化损失函数。损失函数用公式可表示为：
[0054][0055]
其中m为批尺寸，y表示心电信号所属的正确的类别，d为模型的输出，即预测的类别。模型的训练就是为了学习模型中的可训练参数，其首先利用均值为0，方差为0.1的高斯分布来初始化参数，然后将训练数据输入到模型中，以最小化损失函数为目标进行迭代。同时在训练几个epoch结束以后，可以利用验证集验证效果，以及时调整模型中的超参数。
[0056]
步骤四、利用测试数据集来评估模型的性能，判断分类的准确性。测试集中的心电信号所属类别在预测时应当做未知，等到预测出结果后，用于检测预测结果的正确性。
[0057]
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解, 可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。