基于深度学习的心电图相似度计算方法、装置和存储介质

本发明属于心电信号处理与分析领域，更具体地，涉及一种基于深度学习的心电图相似度计算方法、装置和存储介质。

背景技术：

1、心电图相似度是一项用于识别和比较个体心电图之间差异的计算方法，旨在帮助医生进行疾病诊断并监测病情的发展。通过计算心电图之间的相似度，医生可以及时发现异常心电事件，并提供早期警示，以促使患者采取及时的治疗措施，从而降低心血管疾病的风险。

2、中老年人以及心血管疾病患者为了日常监测自身的心脏状况，可利用医院的标准十二导联心电图机进行监测，但耗时耗力、成本高昂，因此移动健康监测系统应运而生。该系统通过使用可穿戴式传感器持续跟踪记录人体的生理参数，并借助智能分析算法对收集到的穿戴式心电图进行分析。该系统操作简单方便，并且使用者无需经过专业医学培训，从而大大降低了实施成本。

3、移动健康监测系统对使用者进行长时程检测，并将大量历史心电数据保存在云端数据库中。利用历史心电图建立个体的心电图数据库，通过计算心电图之间的相似度，并且结合采样时间，医护人员以及使用者可以了解个体在一段时间内的心电图变化情况以及发展趋势，提醒病情进展，也可以为个性化医疗和预防提供有力支持。此外心电图相似度的计算可以快速识别当前心电图与使用者历史心电图的差异，差异过大可以提示使用者是否出现异常心电事件。

4、然而，现有的心电图相似度计算方式主要集中在对形态学特征的计算。这些方法常常依赖于对心拍rr间期、qrs波持续时间等统计特征的分析，或者对提取的时域和频域特征进行组合分析。然而，传统方法仅能提取出心电图的低层特征，存在一些弊端。首先，相似度计算的优劣严重依赖于人工选择的特征，而人工选择的特征可能受到主观因素和先验知识的影响。此外，不同的研究人员可能会选择不同的特征集，导致结果的不一致性和可比性的降低；其次，形态学特征的计算要求整体波形进行强制匹配和对齐，更关注波形的整体形状而忽略了局部细微的变化，因此无法全面准确地捕捉到心电图的细微特征，忽略了病变信息；最后，形态学特征的计算通常在实践中是一项复杂且计算密集的任务，波形匹配步骤繁琐、效率低下。总言之，形态学特征无法直接用于疾病诊断，利用不够鲁棒的形态特征计算的相似度难以确保其可靠性。相较于此，深度学习提取到的深度特征信息更丰富，更具有鲁棒性，不仅包含低层形态特征，还包含疾病诊断特征等。

5、术语解释：

6、动量对比学习(momentum contrast,moco)：机器学习中一种常用的无监督学习方式。

7、无监督学习：机器学习的一种学习范式，其目标是从未标记的数据中发现数据的内在结构、模式或关系，而无需事先提供标签或类别信息的指导。

8、数据扩增：是指通过对数据进行一系列变换和增强操作，例如常见的数据扩增操作包括平移、旋转、缩放、翻转、裁剪、亮度调整、对比度增强、色彩变换等。

技术实现思路

1、本发明的目的在于克服传统方法利用形态学特征、统计特征计算相似度的不足。基于深度学习的相似度计算方式使用高维深度特征可以引入更多有用信息，提高相似度可靠性。首先建立深度学习模型，利用大规模穿戴式心电数据进行预训练，以选择一个指标优异且可靠的预训练模型。随后使用预训练模型提取心电数据的深度特征，并计算特征间的余弦相似度，随之建立基准点。最后绘制个人心电图相似度图，分析心电数据时间变化趋势，给医护人员和使用者参考，快速捕捉到异常心电图。

2、本发明所采取的技术方案是：

3、第一方面，本发明实施例提供了一种基于深度学习的模型训练方法，所述基于深度学习的模型训练方法包括：

4、获取原始心电数据；

5、将所述原始心电数据进行数据预处理，获得原始训练数据；

6、搭建深度学习模型；

7、利用所述原始训练数据对所述深度学习模型进行动量对比学习训练，得到预训练特征提取模型。

8、进一步地，所述将所述原始心电数据进行数据预处理，获得原始训练数据这一步骤，包括：

9、使用带通滤波对所述原始心电数据进行滤波去噪；

10、使用归一化操作对所述原始心电数据进行消除偏移效应，获得原始训练数据。

11、进一步地，所述使用带通滤波对所述原始心电数据进行滤波去噪这一步骤，具体包括：

12、设置所述带通滤波为5阶巴特沃兹带通滤波器；

13、使用所述带通滤波移除所述原始心电数据中的基线漂移和工频干扰。

14、进一步地，所述利用所述原始训练数据对所述深度学习模型进行动量对比学习训练，得到预训练特征提取模型这一步骤，具体包括：

15、将所述原始训练数据进行数据扩增，获取不同的变换数据；

16、将所述变换数据分成第一类变换数据和第二类变换数据；

17、将所述第一类变换数据输入第一编码器，得到第一特征向量；

18、将所述第二类变换数据输入第二编码器，得到第二特征向量；

19、将所述第一特征向量和所述第二特征向量进行对比损失计算，得到损失值；

20、获取有心电图标注的心电图标注数据；

21、将所述心电图标注数据输入至所述深度学习模型进行模型性能测试，得到准确率；

22、回到获取不同的变换数据的步骤，直到所述损失值收敛且所述准确率优异时，模型训练完成，得到预训练特征提取模型。

23、进一步地，所述将所述第一特征向量和所述第二特征向量进行对比损失计算，得到损失值这一步骤，所使用的公式包括：

24、

25、lc＝-log[p(q,k)]         (2)

26、

27、l＝lc+βld           (4)

28、其中，l是损失函数，k是所述第一特征向量，q和q′是所述第二特征向量；

29、|b|是批大小，一般设为256；β是调节所述损失函数的超参数权重，一般设为0.1；k为字典的大小，一般设为65536；i是取一系列整数值，以控制累加的次数和范围；是表示第i个所述第一特征向量；τ为温度超参数。

30、第二方面，本发明实施例提供了一种基于深度学习的心电图相似度计算方法，所述基于深度学习的心电图相似度计算方法包括：

31、获取来自同一病例的多个病例心电数据，所述病例心电数据包括不同的病例个体心电数据；

32、对于任一所述病例心电数据，将所述病例个体心电数据执行数据预处理，获得输入数据；

33、将所述输入数据输入至预训练特征提取模型中进行提取特征，获得相应一个特征矩阵；所述预训练特征提取模型经过权利要求1-5任一项所述的基于深度学习的模型训练方法训练；

34、计算两两所述特征矩阵之间的相似度，确定病例个体心电数据的相似度；

35、根据所述病例个体心电数据的相似度，计算所述病例个体心电数据的基准点；

36、根据所述病例个体心电数据的相似度和所述基准点，绘制相似度散点图。

37、进一步地，所述计算两两所述特征矩阵之间的相似度，确定病例个体心电数据的相似度这一步骤，所使用的公式包括：

38、

39、其中，xm是待计算相似度的所述病例个体心电数据，similaritym是所述病例个体心电数据xm的相似度值，xi是除所述病例个体心电数据xm外的所有其余病例个体心电数据，n是所述病例个体心电数据xm的数据量。

40、进一步地，所述根据所述病例个体心电数据的相似度，计算所述病例个体心电数据的基准点这一步骤，所使用的公式包括：

41、

42、

43、

44、t＝t+1 until t≥maxiter；               (10)

45、point＝median(datasett)；                    (11)

46、其中，μ和σ分别是所述病例个体心电数据xi的均值和方差，n是所述病例个体心电数据xi的数据量，γ是可选择的阈值，t是迭代次数，maxiter是最大迭代次数，datasett是每次迭代后的数据库，median(datasett)是取中值函数，point是所述病例个体心电数据的基准点。

47、第三方面，本发明实施例还提供了一种基于深度学习的心电图相似度计算装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8中任意一项方法。

48、第四方面，本发明实施例还提供了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可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至8任意一项方法。

49、本发明的有益效果是：本发明提出一种基于深度学习的模型训练方法，建立深度学习模型，利用大规模穿戴式心电数据进行预训练，以选择一个指标优异且可靠的预训练模型。能够克服传统方法利用形态学特征、统计特征计算相似度的不足。还提出一种基于深度学习的心电图相似度计算方法，使用预训练模型提取心电数据的深度特征，并计算特征间的余弦相似度，随之建立基准点，深度学习的提取特征更加鲁棒可靠，相似度精度更高，针对高维特征采用了余弦相似度的计算方式，优于较传统的形态相似度计算方式。最后绘制个人心电图相似度图，分析心电数据时间变化趋势，给医护人员和使用者参考，快速捕捉到异常心电图。