基于神经网络的12导联心电信号多标签分类方法与流程

本发明属于计算机图像处理技术领域，涉及到一种基于神经网络的12导联心电信号多标签分类方法。

背景技术：

心力衰竭(heartfailure,hf)，简称心衰，是由于任何原因的初始心肌损伤(如心肌梗死、血液动力学负荷过重、炎症等)所引起的心肌结构和功能的变化，进而导致心室充盈和（或）射血障碍而引起的一组临床综合征。心力衰竭是全球慢性心血管疾病的重要组成部分，是各种心脏疾病发展的最终阶段，具有高患病率、高花费、愈后差的特点，且院内早期死亡率和再住院风险高，已成为全球范围内的重大的公共卫生问题。由于心衰发病原因复杂，临床表现千差万别，很难获得普遍认可的知识，对于心脏的心衰类型无法正确识别，对心衰的诊治造成一定程度的影响。

12导联心电信号是通过心电图机采集身体的不同部位脉动得到的12维信号，12个不同的导联对于最终评价心电信号正常与否起着重要影响的作用，然而如果将12维的数据按时间同时输入到模型中，数据量的提升和各导联的潜在关联会更为复杂，可能会使得分类结果更加糟糕。所以目前往往采用单导联或双导联来完成心电信号分类。但是，这样的操作则会漏失掉12导联心电信号数据中丰富的信息，使得分析结果产生偏离。

技术实现要素：

本发明克服现有技术存在的不足，提供一种基于神经网络的12导联心电信号多标签分类方法，利用神经网络充分挖掘和分析12导联信号的潜在特征，通过信号识别正常和心衰，针对心衰对其进一步细分，找到具体的心衰类型，以便于医生对症下药及时诊治。

本发明是通过如下技术方案实现的。

基于神经网络的12导联心电信号多标签分类方法，包括以下具体步骤：

1）确定数据输入格式：导联数取12，长度取按500hz采样采3s的心电信号，形成输入为12×1500的数据格式。

2）改进卷积神经网络：将卷积神经网络改进为具有3条独立的流，每一条流依次由：大小为64的卷积层两层、第一最大池化层、大小为128的卷积层两层、第二最大池化层、大小为256的卷积层两层、第三最大池化层、大小为768的全连接层、大小为512的全连接层组成；每条流的卷积核大小分别为3、5、7。

3）数据输入：将所述心电信号依次从每一条流输入进去，从输入的心电图记录中捕捉核的尺度特征，然后通过全连接层将3条支流的特征信息融合。

4）标签分类：去掉改进后的卷积神经网络的softmax层，而将提取到的特征经由全连接输入至改进的rnn，将特征形成9分类：正常、房颤、一度房室传导阻滞、左束支传导阻滞、右束支传导阻滞、房性期前收缩、室性期前收缩、st段压低、st段抬高；所述rnn由双层lstm结构组成，前一层双向lstm长度为256、后一层双向lstm长度为64，每层隐藏单元个数均为128。

优选的，第一最大池化层和第二最大池化层的最大池层的步长为3。

优选的，第三最大池化层中步长为2。

优选的，改进后的卷积神经网络使用交叉熵法计算损失函数，使用l2正则化提高泛化性能。

本发明相对于现有技术所产生的有益效果为。

本发明采用深度学习方法，利用神经网络充分挖掘和分析12导联信号的潜在特征，通过信号识别正常和心衰，针对心衰对其进一步细分，找到具体的心衰类型，以便于医生对症下药及时诊治。利用cnn在特征学习和rnn在时间序列上表现出的优势，将两者进一步优化并有机结合解决本技术难题。

1.本发明摒弃传统的单一导联识别心衰，利用12导联信号做数据来源充分挖掘患者临床信息。

2.利用改进的三支流cnn提取到不同尺度的医学特征。并利用双层lstm结构的rnn从时间序列性中找到规律，将信号分为正常以及细分后的8类异常情形，提高多分类准确率。

附图说明

图1为12导联心电信号示意。

图2为本发明所述三支流改进的卷积网络示意图。

图3为双层长短期记忆网络9分类示意图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，结合实施例和附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。下面结合实施例和附图详细说明本发明的技术方案，但保护范围不被此限制。

一种基于神经网络的12导联心电信号多标签分类方法，具体步骤为：

如图1和2所示，具体的输入为12×1500的数据格式，即导联数取12，长度取按500hz采样采3s的心电信号。改进后的卷积神经网络具有3条独立的流，每一条流依次由：大小为64的卷积层两层、最大池化层、大小为128的卷积层两层、最大池化层、大小为256的卷积层两层、最大池化层、大小为768的全连接层、大小为512的全连接层组成。区别在于每条流的卷积核大小分别为3、5、7，步长根据实际情况调整。如此一来，将心电信号分别从每个支流输入进去，由于核大小的不同可以从输入的心电图记录中捕捉不同尺度的特征，然后通过全连接层将3条支流的特征信息融合，最后通过softmax将信号分为：正常（normal）、房颤（af）、传导阻滞（block）、期前收缩（prematurecontraction）、st段异常（st-segmentabnormalities）5类。由于特征信息集中在较深的层中，最初的两个最大池层的步长取为3，这使得计算复杂度降低得更快，而特征提取性能不会受到太大影响，因为这些特征非常浅。在最后一个最大池化层中步长取为2。改进的cnn络可以使用交叉熵法计算损失函数，使用l2正则化提高泛化性能。

去掉cnn的softmax层，而将提取到的特征经由全连接输入至一个具有第一层双向lstm长度为256（隐藏单元128）、第二层双向lstm长度为64（隐藏单元128）的双层rnn变体将可以实现更加细致的9分类：正常（normal）、房颤（af）、低度房室传导阻滞（i-avb）、左束支传导阻滞（lbbb）、右束支传导阻滞（rbbb）、房性期前收缩（pac）、室性期前收缩（pvc）、

st段压低（std）、st段抬高（ste），准确率也会得到进一步的提升。

以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施方式仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明的前提下，还可以做出若干简单的推演或替换，都应当视为属于本发明由所提交的权利要求书确定专利保护范围。

技术特征：

1.基于神经网络的12导联心电信号多标签分类方法，其特征在于，包括以下具体步骤：

1）确定数据输入格式：导联数取12，长度取按500hz采样采3s的心电信号，形成输入为12×1500的数据格式；

2）改进卷积神经网络：将卷积神经网络改进为具有3条独立的流，每一条流依次由：大小为64的卷积层两层、第一最大池化层、大小为128的卷积层两层、第二最大池化层、大小为256的卷积层两层、第三最大池化层、大小为768的全连接层、大小为512的全连接层组成；每条流的卷积核大小分别为3、5、7；

3）数据输入：将所述心电信号依次从每一条流输入进去，从输入的心电图记录中捕捉核的尺度特征，然后通过全连接层将3条支流的特征信息融合；

4）标签分类：去掉改进后的卷积神经网络的softmax层，而将提取到的特征经由全连接输入至rnn，将特征形成9分类：正常、房颤、低度房室传导阻滞、左束支传导阻滞、右束支传导阻滞、房性期前收缩、室性期前收缩、st段压低、st段抬高；所述rnn由双层lstm结构组成，前一层双向lstm长度为256、后一层双向lstm长度为64，每层隐藏单元个数均为128。

2.根据权利要求1所述的基于神经网络的12导联心电信号多标签分类方法，其特征在于，第一最大池化层和第二最大池化层的最大池层的步长为3。

3.根据权利要求1所述的基于神经网络的12导联心电信号多标签分类方法，其特征在于，第三最大池化层中步长为2。

4.根据权利要求1所述的基于神经网络的12导联心电信号多标签分类方法，其特征在于，改进后的卷积神经网络使用交叉熵法计算损失函数，使用l2正则化提高泛化性能。

技术总结
本发明基于神经网络的12导联心电信号多标签分类方法，属于计算机图像处理技术领域；目的是利用神经网络充分挖掘和分析12导联信号的潜在特征，通过信号识别正常和心衰，针对心衰对其进一步细分，找到具体的心衰类型，以便于医生对症下药及时诊治；具体步骤为：确定数据输入格式、改进卷积神经网络、数据输入通过全连接层将3条支流的特征信息融合，最后进行标签分类；本发明利用12导联信号做数据来源充分挖掘患者临床信息，利用改进的三支流CNN提取到不同尺度的医学特征从双层LSTM结构的RNN时间序列性中找到规律，提高多分类准确率。

技术研发人员：李灯熬;赵菊敏;武行
受保护的技术使用者：太原理工大学
技术研发日：2020.01.20
技术公布日：2020.04.17