本发明涉及医疗辅助领域,具体涉及一种基于多特征融合的多导联心电信号多标签分类方法。
背景技术:
1、心血管疾病,是一类高危疾病,具有比较高的患病率、致残率以及死亡率,是严重危害人类身体健康一种主要疾患。近年来,现代社会工作、生活节奏日渐加快,心血管疾病逐渐成为常见病、高发病,成为当前人类面临的严重健康威胁,应当引起全社会广泛重视。
2、研究表明,心血管疾病是可防、可控的。防治心血管疾病的关键在于对异常的及早发现。医学研究发现,在部分心血管疾病的发病早期,人体内部分生理信号会产生变化,因此,通过监测患者的生理信号并捕捉其异常变化,可以挖掘关键信息并对心血管疾病进行有效监测,有助于对疾病的及时发现或预测,对心血管疾病的防治具有重要意义。心电信号是心血管疾病监测领域最常用的一类生理信号,使用计算机技术辅助处理、分析心电信号对心血管疾病的医学监测具有重要意义,是当前重要的研究与应用方向之一。
3、为充分挖掘并监测更具体、更详尽的心脏状态信息,在医学临床上更多地使用多导联心电信号。多导联覆盖更多的监测部位,相比单导联信号可携带并反映更全面、深入、具体的特征信息。此外,在现实医学场景中,单一患者可能同时患有若干种心血管疾病或同时存在多个部位异常,而这些信息往往分布不同的导联信号中,需要通过多导联同时监测并采集不同部位的信号经过综合分析得出进行精确的辅助监测信息。因此,基于多导联心电信号的识别分类任务往往是多标签分类任务,即每一条多导联心电记录可能对应多个标签类别,这一特点更符合临床实际,但也使得该任务更为复杂和困难,如何高效准确地实现对多导联心电信号数据的多标签分类是心电信号处理中的一个巨大挑战。
技术实现思路
1、本发明的目的在于提供一种基于多特征融合的多导联心电信号多标签分类方法,以利用了不同结构之间的互补能力,提取和有效融合多导联心电信号各导联的特征,实现了不同角度间的信息互补,获得了更具表征性的心电信号特征,有效地提高心电数据的多标签分类的准确性。
2、本发明解决上述技术问题的技术方案如下:
3、本发明提供一种基于多特征融合的多导联心电信号多标签分类方法,所述基于多特征融合的多导联心电信号多标签分类方法包括:
4、s1:采集多导联心电信号数据;
5、s2:对所述多导联心电信号数据进行预处理,得到预处理后的心电信号;
6、s3:分别提取所述预处理后的心电信号的hrv特征、深度空间特征和深度时序特征;
7、s4:融合所述hrv特征、所述深度空间特征和所述深度时序特征,得到融合特征;
8、s5:利用全连接层和sigmoid层对所述融合特征进行处理,得到多导联心电信号的多标签分类结果。
9、可选择地,所述s1中,所述多导联心电信号数据至少包括:i导联数据、ii导联数据、v1导联数据、v2导联数据、v3导联数据、v4导联数据、v5导联数据及v6导联数据。
10、可选择地,所述s2包括:
11、s21:利用daubechies d6小波基函数对所述多导联心电信号数据进行9级小波分解,得到分解后的信号分量;
12、s22:去除所述分解后的信号分量中的d1、d2和a9分量,得到筛选后的信号分量;
13、s23:利用小波反变换对所述筛选后的信号分量进行信号重构,得到滤波后的心电信号。
14、可选择地,所述s3包括:
15、利用心率变异性分析方法提取所述预处理后的心电信号的hrv特征;
16、利用多分支多尺度混合卷积网络提取所述预处理后的心电信号的深度空间特征;以及
17、利用双向长短时记忆网络提取所述预处理后的心电信号的深度时序特征。
18、可选择地,利用心率变异性分析方法提取所述预处理后的心电信号的hrv特征包括:
19、a1:利用pan-tompkins算法检测所述预处理后的心电信号的qrs波峰,得到心电信号的r波定位信息;
20、a2:根据所述心电信号的r波定位信息,计算得到心电信号的所有rr间期信息;
21、a3:提取所述所有rr间期信息的相关特征量,所述相关特征量包括:所有rr间期的最大值、所有rr间期的最小值、所有rr间期的平均值、所有rr间期的标准差、所有rr间期信息之间差值的均方根、所有相邻rr间期长度之差的标准值、rr间期的中位数、时间窗口内大于20毫秒的rr间期的个数、时间窗口内大于50毫秒的rr间期的个数、时间窗口内大于20毫秒的rr间期个数占rr间期总数的百分比以及时间窗口内大于50毫秒的rr间期个数占rr间期总数的百分比;
22、a4:将所述相关特征量以向量形式存储为hrvtime;
23、a5:以心电信号的频率作为横坐标,能量密度作为纵坐标,构建功率谱图对所述所有rr间期信息进行频域分析,以提取以下频谱功率特征量:
24、超低频的频谱功率0-0.0033hz;
25、极低频的频谱功率0.0033-0.04hz;
26、低频的频谱功率0.04-0.15hz;
27、高频的频谱功率0.15-0.4hz;
28、极高频的频谱功率0.4-0.5hz;
29、a6:将所有所述频谱功率特征量以向量形式存储为hrvfrequency;
30、a7:将特征向量hrvtime和特征向量hrvfrequency融合为hrv特征。
31、可选择地,所述a3中,所述所有rr间期的平均值avnn为:
32、
33、所述所有rr间期的标准差sdnn为:
34、
35、所述所有rr间期之间差值的均方根rmssd为:
36、
37、所述所有相邻rr间期长度之差的标准差sdsd为:
38、
39、其中,n表示时间窗口内的心电信号的rr间期总数,rri表示第i个rr间期;rr′i和均为代参数且rr′i=rri+1-rri,
40、所述时间窗口内大于20毫秒的rr间期个数占rr间期总数的百分比pnn20为:
41、
42、所述时间窗口内大于50毫秒的rr间期个数占rr间期总数的百分比pnn50为:
43、
44、其中,nn表示时间窗口内的心电信号的rr间期总数,nn20表示时间窗口内大于20毫秒的rr间期的个数;nn50表示时间窗口内大于50毫秒的rr间期的个数。
45、可选择地,利用多分支多尺度混合卷积网络提取所述预处理后的心电信号的深度空间特征包括:
46、b1:对所述预处理后的心电信号进行数据等长化处理,得到等长化处理后的心电信号数据;
47、b2:利用多分支多尺度混合卷积网络,提取所述等长化处理后的心电信号数据的深度空间特征;
48、可选择地,所述多分支多尺度混合卷积网络包括依次设置的升维操作模块、第一卷积层、第一批标准化层、第一relu函数激活层、第一最大池化层、第二卷积层、第二最大池化层、多分支模块、拼接层和张量展平操作层;
49、所述多分支模块包括多条分支结构,各所述分支结构分别包括依次设置的多个二维卷积残差块、张量形状重构层、多个一维卷积残差块和平均池化层,其中,各条分支结构的二维卷积残差块数量不等,各条分支结构的一维卷积残差块数量相等;
50、各所述二维卷积残差块分别包括依次设置的3个二维卷积残差单元、二维通道注意力和二维空间注意力,各二维卷积残差单元分别包括第二二维批标准层、第二relu函数激活层和二维第三卷积层,所述二维空间注意力的输出结果和所述第二最大池化层的输出结果相加作为各所述二维卷积残差块的输出结果;
51、各所述一维卷积残差块分别包括依次设置的3个一维卷积残差单元、一维通道注意力和一维空间注意力,各一维卷积残差单元分别包括依次设置的一维批标准层、第三relu函数激活层和一维卷积层,所述张量形状重构层的输出结果和所述一维空间注意力的输出结果相加作为各所述一维卷积残差块的输出结果。
52、可选择地,利用双向长短时记忆网络提取所述预处理后的心电信号的深度时序特征包括:
53、c1:对所述预处理后的心电信号进行数据等长化处理,得到等长化处理后的心电信号数据;
54、c2:利用双向长短时记忆网络,提取所述等长化处理后的心电信号数据的深度时序特征。
55、可选择地,所述s4包括:
56、s41:利用全连接层对所述hrv特征进行加权映射,得到加权映射后的hrv特征,所述加权映射后的hrv特征f′hrv为:
57、f′hrv=fc(fhrv)
58、其中,fc表示全连接层,fhrv表示hrv特征;
59、s42:将所述深度空间特征和所述深度时序特征进行融合,得到融合后的深度特征,所述融合后的深度特征fdeep为:
60、fdeep=[fspitial,ftime]
61、其中,fspitial表示深度空间特征,ftime表示深度时序特征;
62、s43:利用主成分分析方法对所述融合后的深度特征进行降维,得到降维后的深度特征,所述降维后的深度特征fd'eep为:
63、f′deep=pca(fdeep)
64、其中,pca表示主成分分析方法;
65、s44:将所述加权映射后的hrv特征和所述降维后的深度特征进行融合,得到融合特征。
66、本发明还提供一种基于上述的基于多特征融合的多导联心电信号多标签分类方法的系统,所述系统包括:
67、数据采集模块,所述数据采集模块用于采集多导联心电信号数据;
68、数据预处理模块,所述数据预处理模块用于对所述多导联心电信号数据进行预处理,得到预处理后的心电信号;
69、特征提取模块,所述特征提取模块用于分别提取所述预处理后的心电信号的hrv特征、深度空间特征和深度时序特征;
70、特征融合模块,所述特征融合模块用于融合所述hrv特征、所述深度空间特征和所述深度时序特征,得到融合特征;
71、多标签分类模块,所述多标签分类模块用于利用全连接层和sigmoid层对所述融合特征进行处理,得到多导联心电信号的多标签分类结果。
72、本发明具有以下有益效果:
73、(1)本发明综合考虑多导联心电信号的各导联特征,利用心率变异性分析和深度神经网络结合多导联心电信号数据充分监测并挖掘患者更具体、更详尽的心脏状态临床信息,此外,本发明通过实现多标签分类功能,能够对心血管疾病或异常进一步细分,同时识别多种病症或异常,更符合现实医学场景与临床实际;
74、(2)本发明通过心率变异性分析(hrv)提取心电信号的hrv特征,并分别设计多分支多尺度混合卷积网络和双向长短时记忆网络bi-lstm提取心电信号的深度空间特征与深度时序特征,通过特征融合方法进行多特征融合,利用了不同结构之间的互补能力,提取和有效融合多导联心电信号各导联的特征,实现了不同角度间的信息互补,获得了更具表征性的心电信号特征,能够更精确地对病症或异常进行识别,有效地提高心电数据的多标签分类的准确性;
75、(3)本发明基于多导联心电信号对心血管疾病进行了科学合理的分析识别,具有广泛的应用范围,应用于医疗辅助监测领域,有助于减少医生的工作量,提高监测效率,更充分利用医疗资源,未来应用前景十分广泛,对有效防治心血管疾病,更好地保障人民群众生命健康具有重要意义。