心律失常分类方法、装置及可读存储介质

1.本发明涉及计算机图像处理领域，具体涉及了一种心律失常分类方法、装置及可读存储介质。


背景技术：

2.如今，心血管疾病已然成为全球致死率最高的疾病。重视并加强对心血管疾病的预防、诊断和治疗尤为重要。临床上人工观察和分析心电图有着效率低、主观性强的问题，因此计算机辅助诊断的心电信号分析系统对心血管疾病的预防有重要作用。在医疗图像信号处理领域，深度神经网络通过良好的训练能识别出不同心律失常类别的心拍，并展示了较好的性能。
3.现有的技术方案存在以下缺陷：(1)心拍序列是一维的，较难输入神经网络，无法充分利用机器视觉的优势，大多数研究人员采用直接折叠一维信号为二维矩阵的方式输入神经网络，这样的方法不能完全保留心电信号的时间顺序特征和统计动态性特征；(2)机器采集的心拍数据中包含大量的噪声，迫使研究人员不得不应用复杂的去噪算法消除噪声的影响，而且去噪过程会损失心拍的细节特征；(3)不平衡心拍序列的分类对预测建模提出了挑战。在临床应用中，医生重点检查的是占比极小的心律失常类的心拍序列，这才能反应出患者的心脏活动状态。换句话说，心电辅助诊断算法的目的是正确监测出心律失常类的心拍序列。由于一些心律失常类心拍序列缺乏足够的数据，分类器对少数样本的刻画能力不足，难以有效地对不平衡类别样本进行分类。最终分类器学习到的分类边界往往也倾向于正常类，导致分类边界的偏移和分类性能的下降。


技术实现要素：

4.本发明的目的在于至少解决现有技术中存在的技术问题之一，提供了一种心律失常分类方法、装置及可读存储介质，解决了现有技术的不足。
5.本发明的技术方案包括一种心律失常分类方法，该方法包括：获取心电数据；对所述心电数据进行分割，得到心拍序列及其标签；将所述心拍序列及所述标签划分为训练集及测试集；对所述训练集及所述测试集的所述心拍序列执行马尔可夫转换场变换，得到心拍图像；将所述训练集中的所述心拍图像输入双侧分支网络模型进行训练，得到心拍分类网络模型；将所述测试集中的所述心拍图像输入所述心拍分类网络模型，得到心拍分类结果。
6.根据所述的心律失常分类方法，其中对所述心电数据进行分割包括：获取所述心拍序列的r峰位置和对应的标签；选取r峰前128个采样点到后171个采样点作为一个心拍，作为所述双侧分支网络模型进行训练输入。
7.根据所述的心律失常分类方法，其中标签包括：基于ammi标准，将心律失常分类为正常心拍、室上性异位搏动、心室异位搏动、融合搏动及未知。
8.根据所述的心律失常分类方法，其中将所述心拍序列及所述标签划分为训练集及
测试集包括：将所述心拍序列与对应的标签按一定规则打乱；对标签类别的非平衡数据集进行分层采样，包括在每一份数据集的子集中保持和原始数据集相同的类别比例，得到多份数据子集；将所述数据子集以9:1的比例划分为训练集与测试集。
9.根据所述的心律失常分类方法，其中对所述训练集及所述测试集的所述心拍序列执行马尔可夫转换场变换包括：量化心拍序列；构建心拍马尔可夫转换矩阵w，
[0010][0011]wi,j
为第i个分位数区间中的点的下一个采样点在第j个分位数区间的概率，其中i＝1,2,3,
…
,q,j＝j＝1,2,3,
…
,q；
[0012]
构建心拍马尔可夫转换场m，
[0013][0014]mi,j
表示时间步i到j的转移概率，i＝1,2,3,
…
,n；j＝1,2,3,
…
,n；通过分段聚合减小心拍马尔可夫转换场的尺寸，得到心拍图像。
[0015]
根据所述的心律失常分类方法，其中双侧分支网络包括两组残差网络，所述残差网络依次包括卷积层及四个残差块，每个残差块包括两个卷积层；所述双侧分支网络训练时，将与逆向取样器相连的卷积层和三个残差块的参数与和均匀取样器相连的网络参数保持一致；通过调节器将不同的权重值分配给两组残差网络学习到的特征，通过两个分类器处理后以相加方式聚合，并进行输出；其公式为其中z是聚合的预测结果，和为两个分类器的转置，β为权重值，fc和fr是两组残差网络的输出经全局平均池化后的特征向量。
[0016]
根据所述的心律失常分类方法，其中该方法还包括：每个所述卷积层前使用批处理归一化；所述残差网络中设置有池化层；依次连接的四个所述残差块使用大小为3x3的卷积核，卷积核数量分别为16、32、64、64个。
[0017]
本发明的计算方案还包括一种心律失常分类装置，其特征在于，包括存储器及处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现任一所述的方法。
[0018]
本发明的技术方案还包括一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如任一所述的方法。
[0019]
本发明的有益效果为：(1)本发明能结合马尔可夫转换场和双侧分支网络的优势，实现了高精度的心律失常心拍序列分类。马尔可夫转换场能轻松地将心拍序列转换为稀疏性很强的二维心拍图像，而双侧分支网络中的卷积模块擅长处理稀疏数据；因此本发明能结合马尔可夫转换场和双侧分支网络的优势，从而实现心拍序列的准确分类。(2)本发明能较好地对心拍序列建立二维可视化表示。马尔可夫转换场先将心拍序列的值量化然后计算时序上的转化概率，其过程保留了心拍序列的时间顺序和统计动态性；从而可以使用图形
统计来描述心拍序列，以便更好地进行可视化探索和统计分析。(3)本发明能实现不平衡的心律失常心拍类别的准确分类。双侧分支网络巧妙地采用了两组残差网络作为平行结构；随着训练中迭代周期的增加，调节器不断地调节两个网络的学习权重，最后聚合两个分类器的结果输出预测心拍图像的类别；上述结构侧重于对不平衡类别的学习，从而能够实现不平衡类别心拍序列的准确分类。
附图说明
[0020]
下面结合附图和实施例对本发明进一步地说明；
[0021]
图1所示为根据本发明实施方式的总体流程图。
[0022]
图2所示为根据本发明实施方式的融合马尔可夫转换场和双侧分支网络的心律失常分类方法的整体流程图。
[0023]
图3所示为根据本发明实施方式的马尔可夫转换场变换前后的五个心律失常类别的心拍序列和心拍图像。
[0024]
图4所示为根据本发明实施方式的装置示意图。
具体实施方式
[0025]
本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。
[0026]
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。
[0027]
在本发明的描述中，对方法步骤的连续标号是为了方便审查和理解，结合本发明的整体技术方案以及各个步骤之间的逻辑关系，调整步骤之间的实施顺序并不会影响本发明技术方案所达到的技术效果。
[0028]
本发明的描述中，除非另有明确的限定，设置等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
[0029]
图1所示为根据本发明实施方式的总体流程图。该流程包括以下步骤：
[0030]
获取心电数据；对心电数据进行分割，得到心拍序列及其标签；将心拍序列及标签划分为训练集及测试集；对训练集及测试集的心拍序列执行马尔可夫转换场变换，得到心拍图像；将训练集中的心拍图像输入双侧分支网络模型进行训练，得到心拍分类网络模型；将测试集中的心拍图像输入心拍分类网络模型，得到心拍分类结果。
[0031]
图2所示为根据本发明实施方式的融合马尔可夫转换场和双侧分支网络的心律失常分类方法的整体流程图。本实施例为对图1的进一步说明，其采用融合马尔可夫转换场和双侧分支网络进行心律失常分类，其流程如下：
[0032]
步骤(1)选取mit-bih心律失常数据库的心电数据；mit-bih心律失常数据库一共包含48个记录，分别从47个患者的24小时检测记录中筛选出，每个记录由i i和v双导联组成，采样频率为360hz，时长为30分钟；此外，数据库提供的注释文件中给出了每个心拍的r峰位置注释；本发明只选用了i i导联心电数据。
[0033]
步骤(2)，对心电数据进行分割；获取r峰位置和对应的标签；之后选取r峰前128个
采样点到后171个采样点作为一个心拍，作为后续网络的输入。所述标签根据ammi标准，将心律失常分类为正常心拍(n)、室上性异位搏动(s)、心室异位搏动(v)、融合搏动(f)、未知(q)五类，数目分别为90130、2773、7217、802、15。
[0034]
步骤(3)，对分割后的心拍序列与对应的标签按一定规则打乱，并划分为训练集与测试集；先对该五个类别的非平衡数据集进行分层采样，即在每一份数据集的子集中保持和原始数据集相同的类别比例，由此得到10份数据子集；再轮流将其中9份作为训练集，1份作为测试集，进行之后的实验。
[0035]
步骤(4)，对训练集和测试集的心拍序列进行马尔可夫转换场变换经马尔可夫转换场变换前后的五个心律失常类别的心拍序列和心拍图像如图3所示；
[0036]
步骤(4.1)量化心拍序列；给定心拍序列x＝{x1,x2,
…
,xn}，通过分位数区间将离散的心拍序列幅值进行量化，将其中所有的xi(i＝1,2,3,
…
,n)量化到个q个区间中。在保证“归一化的心拍序列的所有值服从高斯分布”的原则下，以近似相等的概率产生q个量化区间，并且每个分位数区间在高斯曲线下具有相同的面积。通过量化，所有xi被映射到了区间qj(j＝1,2,3,
…
,q)中。通过实验寻找最优的q值后，本发明确定q＝5为最佳参数。由此，曲线分位区间的分位点就构成了一个有序列表{q1,q2,
…
,qq}。
[0037]
步骤(4.2)构建心拍马尔可夫转换矩阵w，
[0038][0039]
首先，建立一个q
×
q的矩阵w。(i＝1,2,3,
…
,q；j＝1,2,3,
…
,q)是第i个分位数区间中的点的下一个采样点在第j个分位数区间的个数。其次，计算过渡概率。在分位区间的有序列表中，区间之间的转移概率可以通过序列中各区间之间的转移频率来计算。通过∑jw
ij
＝1归一化后，w变为一个心拍马尔可夫转换矩阵,w
i,j
为第i个分位数区间中的点的下一个采样点在第j个分位数区间的概率。
[0040]
步骤(4.3)构建心拍马尔可夫转换场m，
[0041][0042]
通过分段聚合减小心拍马尔可夫转换场的尺寸，得到心拍图像在心拍马尔可夫转移场m中，m
i,j
表示时间步i到j的转移概率，i＝1,2,3,
…
,n；j＝1,2,3,
…
,n。例如将心拍序列内的值量化到k个区间后，假设时间步n的值xn所在的量化区间为q3，时间步1的值x1所在的量化区间为q2，则在心拍马尔可夫转移场m中，m
n1
表示区间q2到q3的转移概率，对应于心拍马尔可夫转换矩阵w中的w
32
。也就是说，通过考虑时间位置将幅度轴的心拍马尔可夫转换矩阵w扩展到了时间轴的矩阵m中。通过转移概率m
i,j
，心拍马尔可夫转移场扩展了心拍马尔可夫转换矩阵，并且编码了多跨度心拍序列的转移概率。m
i,j|
|i-j|＝k表示时间间隔为k的两个点之间的转移概率，最终得到了维度是n
×
n的心拍马尔可夫转换场。在本实施例中，n的取值为300。
[0043]
步骤(4.4)分段聚合减小心拍马尔可夫转换场尺寸，输出心拍图像；为了使图像尺
寸易于管理且提高计算效率，通过对其中每个不重叠m
×
m区域中具有模糊内核
[0044]
1/m2的像素进行平均来减小心拍马尔可夫转换场尺寸；通过实验综合考虑结果精度和计算效率，本发明选择输出70
×
70尺寸的心拍图像。
[0045]
步骤(5)将步骤(4)中训练集的心拍图像输入双侧分支网络模型进行训练；得到训练好的网络模型。
[0046]
步骤(5.1)将训练集的心拍图像输入均匀取样器和逆向取样器中进行筛选；均匀取样器筛选时保留了训练集的分布，每个心拍图像被抽取的可能性相同；逆向取样器则关注于较少类别的样本，它在每个类别抽取的心拍图像数目与该类别的心拍图像总数呈反相关的关系。逆向取样器的计算过程如下：
[0047][0048][0049]
为第i个类别的心拍图像数目，k
max
为ki中的最大值。pi为抽取第i个类别的概率。最后根据pi连续抽取输入的全体心拍图像。
[0050]
步骤(5.2)将均匀取样器和逆向取样器输出的心拍图像分别输入两组残差网络，分别输出特征向量fc，fr；
[0051]
单个残差网络依次包括卷积层、四个残差块，每个残差块包含两个卷积层；
[0052]
每个卷积层前使用批处理归一化；
[0053]
每组残差块中有一个池化层；
[0054]
从前到后的四个残差块全部使用大小为3 3的卷积核，卷积核数量分别为16、32、64、64个。
[0055]
除最后一个残差块外，与逆向取样器连接的网络参数和与均匀取样器连接的网络参数保持一致。这样目的是：可以降低训练复杂度、减少时间开销；在训练的最初阶段，与均匀取样器连接的网络能够很好地帮助另一网络的学习。本发明的训练的总迭代周期数为300，批大小为128，优化器为
‘
sgd’，激活函数为
‘
relu’激活函数，损失函数为交叉熵损失。
[0056]
步骤(5.3)调节器将不同的权重值β，1-β分配给特征向量fc，fr；
[0057][0058]
调节器通过权衡两个分支提取到的特征权重来控制分类损失，从而控制模型在学习中的关注点。其中e为当前训练的迭代周期数，e
max
为训练的总迭代周期数。
[0059][0060]
如上公式所示，经分类器处理后，输出以相加方式聚合；其中z是聚合的预测结果，和为两个分类器的转置，β为权重值，fc和fr是两组残差网络的输出经全局平均池化后的特征向量。
[0061]
z经过softmax层，即可得到最终的五分类结果，即图2中输出的n/s/v/f/q等5分类结果。
[0062]
本实施例的技术方案还包括以下步骤：
[0063]
步骤(6)将步骤(6)测试集的心拍图像输入所述训练好的双侧分支网络模型，最终输出心拍的分类结果。在算法的性能评价指标上，本发明选择了准确率(acc)、阳性预测值(ppv)、灵敏度(sen)、特异性(spe)、f1分数、总体准确率(oa)六个指标，如下所示:
[0064][0065][0066][0067][0068][0069][0070]
tp、tn、fp、fn分别代表真阳值、真阴值、假阳值、假阴值。由于阳性预测值和灵敏度两个指标通常为负相关关系，单独使用这两个评价指标是不完整的；而f1指标同时兼顾了上述两种评价指标，其最大值为1，最小值为0。f1值越大，算法性能越好。灵敏度则反映了同一预测结果下样本被正确分类的概率。即某类别的灵敏度越高，反应了网络越能够提取到该类别的特征而正确分类。
[0071]
图4所示为根据本发明实施方式的装置示意图。其包括存储器100及处理器200，存储器200存储有计算机程序，计算机程序被处理器200执行时实现以下的流程方法：获取心电数据；对心电数据进行分割，得到心拍序列及其标签；将心拍序列及标签划分为训练集及测试集；对训练集及测试集的心拍序列执行马尔可夫转换场变换，得到心拍图像；将训练集中的心拍图像输入双侧分支网络模型进行训练，得到心拍分类网络模型；将测试集中的心拍图像输入心拍分类网络模型，得到心拍分类结果。
[0072]
应当认识到，本发明实施例中的方法步骤可以由计算机硬件、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。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。
[0073]
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(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。
[0074]
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，本文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。
[0075]
计算机程序能够应用于输入数据以执行本文所述的功能，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消费者。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，包括消费者上产生的物理和有形对象的特定视觉描绘。
[0076]
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。