一种基于导联分组的12导联心电信号多标签分类方法与流程

1.本发明涉及心电信号分类技术领域，具体涉及一种基于导联分组的12导联心电信号多标签分类方法。


背景技术：

2.具有高效便捷的心电图是心电信号分类的有效手段。但由于心电信号受采集环境、波形自身的复杂性、多变性以及个体间存在的显著差异等影响，常规心电图检测容易发生漏诊。尽管利用12导联心电信号进行心电异常分类已得到广泛应用，但同一段信号中可能存在多种心电异常类型，即心电信号分类是典型的多标签分类问题。因此如何利用异常心电在12个不同导联上的“非正常”表现，高效准确的实现对数据不平衡的12导联心电数据集的多标签分类是心电信号处理中的一个巨大挑战。


技术实现要素：

3.本发明为了克服以上技术的不足，提供了一种识别27类心电类型的基于导联分组的12导联心电信号多标签分类方法。
4.本发明克服其技术问题所采用的技术方案是：
5.一种基于导联分组的12导联心电信号多标签分类方法，包括如下步骤：
6.a)将计算机采集的12导联心电信号y的长度进行标准化处理，得到标准化后的12导联心电信号y
′
；
7.b)将标准化后的12导联心电信号y
′
随机分成ng组，每组信号由个导联构成；
8.c)遍历ng组心电信号，将第i组心电信号依次输入到由残差网络块、双向长短时记忆网络模块及空间注意力模块构成的基础网络块模型提取多导联信号的多样化特征；
9.d)将ng组心电信号进行特征融合，形成基于12导联信号的完整性和多样化特征将12导联信号中所包含的年龄和性别信息通过一个全连接层进行特征编码，得到特征f
info
，将特征与特征f
info
进行特征拼接，形成最终用于分类的心电特征f；
10.e)通过公式p＝sigmoid(w*f+b)计算得到属于每个心电类别的概率值p，式中sigmoid(
·
)为sigmoid函数，w为心电特征f的权重矩阵，b为偏置向量；
11.f)设置概率阈值thr，将概率值p中大于等于概率阈值thr的类别判定为该段心电信号中存在的异常类型，得到最终的27类心电信号分类结果。
12.进一步的，步骤a)中12导联心电信号y的长度进行标准化处理的方法为：
13.a-1)建立计算得到标准化后的12导联心电信号y
′
；
14.a-2)如果12导联心电信号y的长度大于等于l，则截取12导联心电信号y的前l个采样点；
15.a-3)如果12导联心电信号y的长度小于l，则在信号前后分别用0填充个采样点，ly为12导联心电信号y的采样点数。
16.进一步的，步骤a-2)中l取值为9000个采样点。
17.进一步的，步骤b)中ng＝4，每组信号包括3个导联，12导联心电信号表示为其中，y
′
g1
为第一组心电信号，y
′
g2
为第二组心电信号，y
′
g3
为第三组心电信号，y
′
g4
为第四组心电信号。
18.进一步的，步骤c)包括如下步骤：
19.c-1)所述残差网络模块包括2层残差结构，每层残差结构包括两个分支、relu激活层、最大池化层及dropout层，第一个分支依次由两个卷积模块构成，所述卷积模块依次由卷积层、批归一化层及relu激活层构成，第二个分支依次由卷积层和批归一化层构成，将第i组心电信号y
′
gi
分别输入到第1层残差结构的第一个分支的第一个卷积模块及第二个分支中，第一个分支的第一个卷积模块的输出结果输入第一个分支的第二个卷积模块中，第一个分支的第二个卷积模块的输出结果与第二个分支的输出结果像叠加后形成新的特征，将新的特征输入relu激活层，relu激活层的输出结果输入最大池化层，将最大池化层的输出结果输入到dropout层；
20.c-2)将dropout层的输出结果替代步骤c-1)中的y
′
gi
，分别输入到第2层残差结构的第一个分支的第一个卷积模块及第二个分支中，第一个分支的第一个卷积模块的输出结果输入第一个分支的第二个卷积模块中，第一个分支的第二个卷积模块的输出结果与第二个分支的输出结果像叠加后形成新的特征，将新的特征输入relu激活层，relu激活层的输出结果输入最大池化层，将最大池化层的输出结果输入到dropout层后得到降采样后的特征
21.c-3)双向长短时记忆网络模块由双向lstm层构成，所述双向lstm层由一个前向lstm和一个后向lstm构成，将特征输入lstm层后得到时序特征
22.c-4)空间注意力模块由全局最大池化层、全局平均池化层构成，时序特征分别输入全局最大池化层和全局平均池化层中，将全局最大池化层和全局平均池化层的输出结果按照空间维度进行特征拼接，将拼接后的结果输入卷积层后得到时序特征的空间注意力权重wi，将空间注意力权重wi输入sigmoid层中使用sigmoid激活函数将其压缩到0-1之间，将压缩后的空间注意力权重wi与时序特征相乘得到导联间的重要的多样化特征进一步的，步骤c-1)中第一层残差结构中的卷积层的卷积滤波器的数量256，第二层残差结构中的卷积层的卷积滤波器的数量为128，残差结构中的第一个分支中的卷积层的卷积核核大小设置为15，残差结构中的第二个分支中的卷积层的卷积核核大小
设置为7，最大池化层的步长设置为3。
23.进一步的，步骤c-3)中前向lstm的单元数为256，后向lstm的单元数64。
24.进一步的，步骤c-4)中卷积层的卷积核为7，卷积核的滤波器的数量为1。
25.进一步的，步骤f)中概率阈值thr＝0.4。
26.以3万条12导联心电信号构成的数据集对步骤c)中的基础网络块模型进行训练，模型优化器设置为adam，学习率设置为0.001，批大小设置为32，采用focalloss作为基础网络块模型的损失函数。
27.本发明的有益效果是：通过对12导联心电信号分组，挖掘不同心电类型信息在不同导联特征上的特征，构建导联间多样化特征。利用空间注意力机制提取不同特征的权重。最后通过融合多样化特征实现12导联信息的融合，并结合年龄、性别等特征，得到可识别27类心电类型的网络模型。
附图说明
28.图1为本发明的方法流程图
29.图2为本发明的baselinenet网络结构示意图。
具体实施方式
30.下面结合附图1、附图2对本发明做进一步说明。
31.一种基于导联分组的12导联心电信号多标签分类方法，包括如下步骤：
32.a)将计算机采集的12导联心电信号y的长度进行标准化处理，得到标准化后的12导联心电信号y
′
；
33.b)将标准化后的12导联心电信号y
′
随机分成ng组，每组信号由个导联构成；
34.c)遍历ng组心电信号，将第i组心电信号依次输入到由残差网络块、双向长短时记忆网络模块及空间注意力模块构成的基础网络块模型(baselinenet)提取多导联信号的多样化特征；
35.d)将ng组心电信号进行特征融合，形成基于12导联信号的完整性和多样化特征将12导联信号中所包含的年龄和性别信息通过一个全连接层进行特征编码，得到特征f
info
，将特征与特征f
info
进行特征拼接，形成最终用于分类的心电特征f；
36.e)通过公式p＝sigmoid(w*f+b)计算得到属于每个心电类别的概率值p，式中sigmoid(
·
)为sigmoid函数，w为心电特征f的权重矩阵，b为偏置向量；
37.f)设置概率阈值thr，将概率值p中大于等于概率阈值thr的类别判定为该段心电信号中存在的异常类型，得到最终的27类心电信号分类结果。
38.通过对12导联心电信号分组，挖掘不同心电类型信息在不同导联特征上的特征，构建导联间多样化特征。利用空间注意力机制提取不同特征的权重。最后通过融合多样化特征实现12导联信息的融合，并结合年龄、性别等特征，得到可识别27类心电类型的网络模型。
39.实施例1：
40.步骤a)中12导联心电信号y的长度进行标准化处理的方法为：
41.a-1)建立计算得到标准化后的12导联心电信号y
′
。
42.a-2)如果12导联心电信号y的长度大于等于l，则截取12导联心电信号y的前l个采样点。
43.a-3)如果12导联心电信号y的长度小于l(l为标准化后的12导联心电信号y
′
的采样点个数)，则在信号前后分别用0填充个采样点，ly为12导联心电信号y的采样点数。
44.实施例2：
45.优选的，步骤a-2)中l取值为9000个采样点。
46.实施例3：
47.步骤b)中ng＝4，每组信号包括3个导联，12导联心电信号表示为y
′
＝[y
′
g1
,y
′
g2
,y
′
g3
,y
′
g4
]，其中，y
′
g1
为第一组心电信号，y
′
g2
为第二组心电信号，y
′
g3
为第三组心电信号，y
′
g4
为第四组心电信号。
[0048]
实施例4：
[0049]
步骤c)包括如下步骤：
[0050]
c-1)所述残差网络模块包括2层残差结构，每层残差结构包括两个分支、relu激活层、最大池化层及dropout层，第一个分支依次由两个卷积模块构成，所述卷积模块依次由卷积层、批归一化层(batchnorm)及relu激活层构成，第二个分支依次由卷积层和批归一化层构成，将第i组心电信号y
′
gi
分别输入到第1层残差结构的第一个分支的第一个卷积模块及第二个分支中，第一个分支的第一个卷积模块的输出结果输入第一个分支的第二个卷积模块中，第一个分支的第二个卷积模块的输出结果与第二个分支的输出结果像叠加后形成新的特征，将新的特征输入relu激活层，relu激活层的输出结果输入最大池化层，将最大池化层的输出结果输入到dropout层。
[0051]
c-2)将dropout层的输出结果替代步骤c-1)中的y
′
gi
，分别输入到第2层残差结构的第一个分支的第一个卷积模块及第二个分支中，第一个分支的第一个卷积模块的输出结果输入第一个分支的第二个卷积模块中，第一个分支的第二个卷积模块的输出结果与第二个分支的输出结果像叠加后形成新的特征，将新的特征输入relu激活层，relu激活层的输出结果输入最大池化层，将最大池化层的输出结果输入到dropout层后得到降采样后的特征
[0052]
c-3)双向长短时记忆网络模块由双向lstm层构成，所述双向lstm层由一个前向lstm和一个后向lstm构成，将特征输入lstm层后分别在时间方向和反时间方向读取得到时序特征
[0053]
c-4)空间注意力模块由全局最大池化层、全局平均池化层构成，时序特征分别输入全局最大池化层和全局平均池化层中，将全局最大池化层和全局平均池化层的输出结果按照空间维度进行特征拼接，将拼接后的结果输入卷积层后得到时序特征的空间注意力权重wi，将空间注意力权重wi输入sigmoid层中使用sigmoid激活函数将其压缩到0-1之间，将压缩后的空间注意力权重wi与时序特征相乘得到导联间的重要的多样化特征步骤c-1)中第一层残差结构中的卷积层的卷积滤波器的数量256，第二层残差结构中的卷积层的卷积滤波器的数量为128，残差结构中的第一个分支中的卷积层的卷积核核大小设置为15，残差结构中的第二个分支中的卷积层的卷积核核大小设置为7，最大池化层的步长设置为3。
[0054]
步骤c-3)中前向lstm的单元数为256，后向lstm的单元数64。
[0055]
步骤c-4)中卷积层的卷积核为7，卷积核的滤波器的数量为1。
[0056]
步骤f)中概率阈值thr＝0.4。
[0057]
以3万条12导联心电信号构成的数据集对步骤c)中的基础网络块模型进行训练，模型优化器设置为adam，学习率设置为0.001，批大小设置为32，为了提高类别不平衡数据采集的精度，采用focalloss作为基础网络块模型的损失函数。最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。