CN108511055A - 基于分类器融合及诊断规则的室性早搏识别***及方法 - Google Patents

Abstract

本发明公开了一种基于分类器融合及诊断规则的室性早搏识别***及方法，所述***包括：分类单元，包括用以独立处理心电图数据的LCNN分类模块和RNN分类模块，LCNN分类模块包括m个不同结构的第一分类器，至少用以输出m个第一分类结果，RNN分类模块包括n个不同结构的第二分类器，至少用以输出n个第二分类结果；融合单元，用以依据融合决策规则将第一分类结果和第二分类结果进行融合决策得到融合结果；判别单元，用以依据PVC病理特征对融合单元判断出的非PVC数据和PVC数据进行判别，得到PVC识别结果。本发明将LCNN及RNN两种分类器的分类结果进行融合，并融入PVC病理特征，采用机器学习与疾病诊断规则相结合的方法，提升了PVC识别的整体分类性能及准确率。

Description

基于分类器融合及诊断规则的室性早搏识别***及方法

技术领域

本发明涉及一种室性早搏识别***，尤其涉及一种基于分类器融合及诊断规则的室性早搏识别***及识别方法，属于医疗电子技术领域。

背景技术

室性早搏(Premature Ventricular Contraction，以下简称PVC)的计算机辅助诊断具有非常重要的临床意义，它可以使医生从海量的心电图分析中解脱出来，减轻医生工作量，从而提高医生的诊断效率。目前，计算机辅助室性早搏的识别***主要有两类：一类是采用某种分类器进行识别；另一类是根据PVC所表现出来的病理特征，然后采用规则推理进行判别。前一类通常忽略了医生的诊断思维过程；而后一类虽然考虑了医生的诊断思维过程，但是它需要事先提取PVC的一些特征点，例如R波、QRS波边界点等，而如何准确提取这些特征点也是研究者需要着重考虑的一个问题。

发明内容

本发明的主要目的在于提供一种基于分类器融合及诊断规则的室性早搏识别***及方法，以克服现有技术中的不足。

为实现前述发明目的，本发明采用的技术方案包括：

本发明实施例提供了一种基于分类器融合及诊断规则的室性早搏识别***，其包括：

分类单元，包括LCNN分类模块和RNN分类模块，所述LCNN分类模块、RNN分类模块用以独立处理心电图数据，所述LCNN分类模块包括m个不同结构的第一分类器，所述的m个第一分类器至少用以输出m个第一分类结果，所述RNN分类模块包括n个不同结构的第二分类器，所述的n个第二分类器至少用以输出n个第二分类结果，m、n为正整数；

融合单元，用以依据融合决策规则将分类单元输出的m个第一分类结果和n个第二分类结果进行融合决策从而得到融合结果，所述融合结果包括非PVC数据和PVC数据；

以及，判别单元，至少用以依据PVC病理特征对融合单元判断出的非PVC数据和PVC数据进行判别，得到PVC识别结果。

在一些典型实施案例之中，所述第一分类器采用导联卷积神经网络(leadconvolutional neural network，以下简称LCNN)。

在一些典型实施案例之中，所述第二分类器采用递归神经网络(recurrentneural network，以下简称RNN)。

在一些典型实施案例之中，所述室性早搏识别***还包括：预处理单元，用以对原始心电图(Electrocardiogram，以下简称ECG)信号进行预处理后输入分类单元。

进一步的，所述预处理单元包括滤波器，至少用以去除基线漂移噪声和/或工频干扰噪声。

在一些典型实施案例之中，所述融合单元包括：

第一融合模块，用以依据加法融合决策规则对所述的m个第一分类器输出的m个第一分类结果进行融合决策；

第二融合模块，用以依据加法融合决策规则对所述的n个第二分类器输出的n个第二分类结果进行融合决策；

第三融合模块，用以依据均值融合决策规则将第一融合模块、第二融合模块输出的融合结果进行融合决策从而得到最终的融合结果。

本发明实施例还提供了一种基于分类器融合及诊断规则的室性早搏识别方法，其包括：

采用LCNN分类模块中m个不同结构的第一分类器处理心电图数据以输出m个第一分类结果；

采用RNN分类模块中n个不同结构的第二分类器处理心电图数据以输出n个第二分类结果；

依据融合决策规则将所述输出的m个第一分类结果和n个第二分类结果进行融合决策从而得到融合结果，所述融合结果包括非PVC数据和PVC数据；

依据PVC病理特征对融合单元判断出的非PVC数据和PVC数据进行判别，得到PVC识别结果。

与现有技术相比，本发明的优点包括：

本发明提供的基于分类器融合及诊断规则的室性早搏识别***及识别方法，充分考虑了LCNN及RNN的各自优势，分别将它们作为集成学习的基分类器，然后将两种分类器的分类结果进行融合，从而获得一个比较好的PVC分类结果；同时还融入了PVC的一些病理特征，采用机器学习与疾病诊断规则相结合的方法，提升了PVC识别的整体分类性能，有效提高了PVC识别的准确率。

附图说明

图1是采用本发明选实施例中的基于分类器融合及诊断规则的室性早搏识别方法对于原始心电图信号进行判别的流程示意图；

图2是典型PVC心电图示意图；

图3是本发明优选实施例中采用PVC的病理特征对EPVC数据进行判别的流程图；

图4是本发明优选实施例中采用PVC的病理特征对Enon-PVC数据进行判别的流程图。

具体实施方式

鉴于现有技术中的不足，本案发明人经长期研究和大量实践，得以提出本发明的技术方案。本发明的发明原理主要是先利用分类器融合方法识别PVC，得到non-PVC类和PVC类，然后再利用PVC的一些病理特征分别对分类器融合后预测出来的non-PVC类和PVC类作再一次的判断，以此来提高PVC识别的准确率。如下将对该技术方案、其实施过程及原理等作进一步的解释说明。

本发明实施例的一个方面提供了一种基于分类器融合及诊断规则的室性早搏识别***，其包括：

分类单元，包括LCNN分类模块和RNN分类模块，所述LCNN分类模块、RNN分类模块用以独立处理心电图数据，所述LCNN分类模块包括m个不同结构的第一分类器，所述的m个第一分类器至少用以输出m个第一分类结果，所述RNN分类模块包括n个不同结构的第二分类器，所述的n个第二分类器至少用以输出n个第二分类结果，m、n为正整数；

融合单元，用以依据融合决策规则将分类单元输出的m个第一分类结果和n个第二分类结果进行融合决策从而得到融合结果，所述融合结果包括非PVC数据和PVC数据；

以及，判别单元，至少用以依据PVC病理特征对融合单元判断出的非PVC数据和PVC数据进行判别，得到PVC识别结果。

在一些典型实施案例之中，所述第一分类器采用导联卷积神经网络。

在一些典型实施案例之中，所述第二分类器采用递归神经网络。

在一些典型实施案例之中，所述室性早搏识别***还包括：预处理单元，用以对原始心电图信号进行预处理后输入分类单元。

进一步的，所述预处理单元包括滤波器，至少用以去噪处理，具体包括去除基线漂移、工频干扰等噪声。

在一些典型实施案例之中，所述融合单元包括：

第一融合模块，用以依据加法融合决策规则对所述的m个第一分类器输出的m个第一分类结果进行融合决策；

第二融合模块，用以依据加法融合决策规则对所述的n个第二分类器输出的n个第二分类结果进行融合决策；

第三融合模块，用以依据均值融合决策规则将第一融合模块、第二融合模块输出的融合结果进行融合决策从而得到最终的融合结果。

在一些典型实施案例之中，所述第一融合模块进行加法融合决策规则采用的公式为：

其中P_LCNN-j表示i个第一分类结果的融合结果，i为大于等于2的整数，t_mj表示由第m个第一分类结果得到的属于第j类的概率值，j＝0或1，其中0表示非PVC数据，1表示PVC数据。

优选的，所述第二融合模块进行加法融合决策规则采用的公式为：

其中P_RNN-j表示g个第二分类结果的融合结果，g为大于等于2的整数，y_nj表示由第n个第二分类结果得到的属于第j类的概率值，j＝0或1，其中0表示非PVC数据，1表示PVC数据。

优选的，所述第三融合模块进行均值融合决策规则采用的公式为：

P_j＝(1/2)*(P_LCNN-j+P_RNN-j)

其中P_j为第一分类器与第二分类器的最终融合结果，j＝0或1，其中0表示非PVC数据，1表示PVC数据，若P_j大于0.5，则所述原始心电图信号为PVC数据，否则所述原始心电图信号为非PVC数据。

本发明在采用PVC诊断规则时所涉及到的心电图特征如QRS波的起止点及R波特征点均已经提取到，对QRS波起止点及R波的提取方法不做限制。

本发明实施例的另一个方面提供了基于分类器融合及诊断规则的室性早搏识别方法，其包括：

采用LCNN分类模块中m个不同结构的第一分类器处理心电图数据以输出m个第一分类结果；

采用RNN分类模块中n个不同结构的第二分类器处理心电图数据以输出n个第二分类结果；

依据融合决策规则将所述输出的m个第一分类结果和n个第二分类结果进行融合决策从而得到融合结果，所述融合结果包括非PVC数据和PVC数据；

依据PVC病理特征对融合单元判断出的非PVC数据和PVC数据进行判别，得到PVC识别结果。

采用本发明的室性早搏识别方法对原始心电图信号进行P判别的过程分三步完成，第一步首先进行去噪预处理，第二步融合分类器LCNN及RNN，第三步分别采用PVC病理特征对分类器融合后预测出来的PVC数据和非PVC数据(记为non-PVC)作再次判断，参见图1所示，具体处理过程为：

1.预处理：

首先，将ECG信号经过滤波器去除基线漂移、工频干扰等噪声。

2.分类器融合

LCNN的局部连接和权值共享机制有效地降低了网络的复杂度，减少了训练参数的数目，其具有很强的鲁棒性和容错能力。而RNN则是一种具有储存记忆功能的深度学习模型，它考虑了样本之间的关联关系，其特点是网络的输出结果不仅依赖于当前的输入，而且与过去的输入也相关联。LCNN与RNN具有均不需要提取手工设计的特征，它们的分类过程是完全自动的，它们的输入均为原始的输入数据，然后经过训练、测试得到最终的分类结果。如图1所示，进行预处理后，ECG信号分别经由m1个LCNN分类器及n2个RNN分类器进行PVC分类，其中这m1个LCNN分类器和n2个RNN分类器的结构均不相同，经过每一个分类器，分别得到m1个分类器的m1个分类结果及n2个分类器的n2个分类结果，事实上每一个分类器输出的是原始概率值，可以根据这个原始概率值来判断该ECG信号是否为PVC。但是为了提升整体的分类性能，本发明首先采用加法融合决策规则分别对m1个分类结果和n2个分类结果进行融合决策，得到两个融合结果，然后再采用均值融合决策规则将上述两个融合结果进行融合决策，从而得到最终的融合结果。为了进一步提升整体分类性能，本发明还采用PVC病理特征分别对分类器融合后判断出来的non-PVC数据和PVC数据作再次判断。

3.PVC诊断规则

PVC心电图的一些特点为：①QRS波宽大畸形，QRS波形态不同于其它形态正常的QRS波；②R波高度明显高于或者低于non-PVC心拍的高度；③出现提早的QRS-T波，RR间期(当前心拍R波到前一心拍R波的距离)小于前面平均RR间期。如图2所示为一条PVC记录的心电图示意图，N表示non-PVC心拍，V表示PVC心拍。因此本发明选择RR间期、QRS波宽度、QRS波幅值、QRS波相似度作为特征参数。

经过分类器融合判别后，预测为non-PVC类和PVC类的数据均需要通过PVC诊断规则作再次判断，将通过分类器融合预测为non-PVC类的数据标记为Enon-PVC，而预测为PVC类的数据标记为EPVC。EPVC类数据和Enon-PVC类数据分别经过图3和图4所示流程图作再一次的判别。其中，QRS波相似度的获得则是通过计算当前QRS波与形态正常的QRS波的相关性系数，将相关性系数作为QRS波的相似性度量。平均QRS波宽度通过计算当前心拍之前的形态正常的QRS波宽度然后取平均值获得。如果ECG记录满足流程图3的条件，则该ECG就有可能为PVC。

值得说明的是：由于本发明为一个二分类问题，可使用特异性(Sp)、灵敏度(Se)、准确率(Acc)及综合指标约登指数γ来度量分类效果的优劣，一般来说约登指数越大，分类***的整体分类性能越好。二分类的混淆矩阵如下表1所示：

表1混淆矩阵

则各个指标的定义如下所示：

Acc＝(TP+TN)/(TP+TN+FP+FN) (1)

Se＝TP/(TP+FN) (2)

Sp＝TN/(TN+FP) (3)

γ＝Se+Sp-1 (4)

以下通过若干实施例进一步详细说明本发明的技术方案。然而，所选的实施例仅用于说明本发明，而不限制本发明的范围。

实施例1

本实施例所用数据来源于中国心血管疾病数据库(CCDD数据库，http://58.210.56.164/ccdd/)。

(1)为了进行去噪预处理，ECG记录首先经过0.5～40Hz的带通滤波；

(2)采用35840条(含3112条PVC记录)预处理后的ECG记录作为训练样本；并将其它141046条记录(含2148条PVC记录)用于测试。所有训练样本均分别输入到4个LCNN中和6个RNN中进行独立并行训练，其中这4个LCNN是从已训练好的更多LCNN模型中挑选出来的结果较好而且各模型间差异性较大的LCNN模型。类似地，这6个RNN也是从已训练好的更多RNN模型中挑选出来的结果较好而且各模型间差异性较大的RNN模型。经过学习后，测试样本均分别通过这4个LCNN和6个RNN进行独立测试分别得到4个LCNN分类结果及6个RNN分类结果。它们的输出值均为概率值，用t_mj表示第m个LCNN分类结果得到的属于第j类的概率值(j＝0,1，其中0表示non-PVC类，1表示PVC类)，y_nj表示第n个RNN分类结果得到的属于第j类的概率值。事实上，通过每一个分类器均已经获得关于疾病的一个判断，即如果t_mj或者y_nj大于0.5，则该样本被判为PVC类，否则为non-PVC类，但是为了提升整体的分类结果，本实施例先不对每一个分类器所得的输出值做判断，而是根据这些输出值分别采用加法融合决策规则将这些分类结果进行融合决策。

首先采用加法融合决策规则对4个LCNN的分类结果进行融合，其公式如下：

其中P_LCNN-j表示4个LCNN分类结果的融合结果，t_mj表示由第m个LCNN分类结果得到的属于第j类的概率值，j＝0或1，其中0表示非PVC数据，1表示PVC数据；

同理，对6个RNN的分类结果进行融合采用的公式为：

其中P_RNN-j表示6个RNN分类结果的融合结果，y_nj表示由第n个RNN分类结果得到的属于第j类的概率值，j＝0或1，其中0表示非PVC数据，1表示PVC数据；

再采用均值融合决策规则将两个融合结果P_LCNN-j和P_RNN-j进行融合，采用公式为：

P_j＝(1/2)*(P_LCNN-j+P_RNN-j)

其中P_j为LCNN分类器与RNN分类器的最终融合结果，即样本属于第j类的概率，j＝0或1，其中0表示非PVC数据，1表示PVC数据。若P_j大于0.5，则经两种分类器融合后，样本属于1类即PVC数据，否则样本属于0类即non-PVC数据。两种分类器融合决策后得到的结果如下表2所示：

表2分类器融合识别PVC结果

上表混淆矩阵的上部横向表示真实数据，左边纵向表示预测数据。由表2可知，两种分类器融合决策后，获得的灵敏度还比较低，综合指标γ也不是很高。为了进一步提升整体分类性能，因此本案发明人考虑采用PVC的一些病理特征对分类器融合后预测出来的Enon-PVC数据和EPVC数据作再次判断。

(3)从表2可以看出，分类器融合后预测出来的Enon-PVC数据共有135212+458条记录，EPVC数据共有3686+1690条记录。然后采用PVC的一些病理特征分别对EPVC数据和Enon-PVC数据作再次判断，它们的判断流程图如图3和图4所示，判别流程图3-4中所采用参数的取值均根据经验所得。最终，结合LCNN、RNN及PVC诊断规则后，得到的PVC识别结果如下表3所示。

表3PVC最终识别结果

综上所述，采用本实施例的PVC识别***在CCDD数据库14多万条测试数据中所获得PVC的准确率为98.01％、特异性为98.04％、灵敏度为96.32％。与表2相比较，虽然采用LCNN与RNN相结合的方法得到的准确率较高，但是灵敏度和综合指标还比较低，将LCNN、RNN与PVC的一些基本病理特征相结合后获得的各个指标均有所提升，而且灵敏度和综合指标提升的幅度也比较大，从表3可看出，采用分类器融合及疾病诊断规则提升了PVC识别的整体分类性能。

应当理解，以上所述的仅是本发明的一些实施方式，应当指出，对于本领域的普通技术人员来说，在不脱离本发明的创造构思的前提下，还可以做出其它变形和改进，这些都属于本发明的保护范围。

Claims (11)

1.一种基于分类器融合及诊断规则的室性早搏识别***，其特征在于包括：

分类单元，包括LCNN分类模块和RNN分类模块，所述LCNN分类模块、RNN分类模块用以独立处理心电图数据，所述LCNN分类模块包括m个不同结构的第一分类器，所述的m个第一分类器至少用以输出m个第一分类结果，所述RNN分类模块包括n个不同结构的第二分类器，所述的n个第二分类器至少用以输出n个第二分类结果，m、n为正整数；

融合单元，用以依据融合决策规则将分类单元输出的m个第一分类结果和n个第二分类结果进行融合决策从而得到融合结果，所述融合结果包括非PVC数据和PVC数据；

以及，判别单元，至少用以依据PVC病理特征对融合单元判断出的非PVC数据和PVC数据进行判别，得到PVC识别结果。

2.根据权利要求1所述的室性早搏识别***，其特征在于：所述第一分类器采用导联卷积神经网络。

3.根据权利要求1所述的室性早搏识别***，其特征在于：所述第二分类器采用递归神经网络。

4.根据权利要求1所述的室性早搏识别***，其特征在于还包括：预处理单元，用以对原始心电图信号进行预处理后输入分类单元。

5.根据权利要求4所述的室性早搏识别***，其特征在于：所述预处理单元包括滤波器，至少用以去除基线漂移噪声和/或工频干扰噪声。

6.根据权利要求1所述的室性早搏识别***，其特征在于，所述融合单元包括：

第一融合模块，用以依据加法融合决策规则对所述的m个第一分类器输出的m个第一分类结果进行融合决策；

第二融合模块，用以依据加法融合决策规则对所述的n个第二分类器输出的n个第二分类结果进行融合决策；

第三融合模块，用以依据均值融合决策规则将第一融合模块、第二融合模块输出的融合结果进行融合决策从而得到最终的融合结果。

7.根据权利要求6所述的室性早搏识别***，其特征在于，所述第一融合模块进行加法融合决策规则采用的公式为：

其中P_LCNN-j表示i个第一分类结果的融合结果，i为大于等于2的整数，t_mj表示由第m个第一分类结果得到的属于第j类的概率值，j＝0或1，其中0表示非PVC数据，1表示PVC数据。

8.根据权利要求7所述的室性早搏识别***，其特征在于，所述第二融合模块进行加法融合决策规则采用的公式为：

其中P_RNN-j表示g个第二分类结果的融合结果，g为大于等于2的整数，y_nj表示由第n个第二分类结果得到的属于第j类的概率值，j＝0或1，其中0表示非PVC数据，1表示PVC数据。

9.根据权利要求8所述的室性早搏识别***，其特征在于，所述第三融合模块进行均值融合决策规则采用的公式为：

P_j＝(1/2)*(P_LCNN-j+P_RNN-j)

其中P_j为第一分类器与第二分类器的最终融合结果，j＝0或1，其中0表示非PVC数据，1表示PVC数据，若P_j大于0.5，则所述原始心电图信号为PVC数据，否则所述原始心电图信号为非PVC数据。

10.根据权利要求1所述的室性早搏识别***，其特征在于：所述判别单元中进行判别所依据的PVC病理特征均已经提取到，优选的，所述PVC病理特征包括RR间期、平均QRS波宽度、QRS波起始和终止点、QRS波幅值、QRS波相似度中的任意一种或两种以上的组合；优选的，所述QRS波相似度通过计算当前QRS波与形态正常的QRS波的相关性系数获得，并将相关性系数作为QRS波的相似性度量；所述平均QRS波宽度通过计算当前心拍之前的形态正常的QRS波宽度然后取平均值获得。

11.一种基于分类器融合及诊断规则的室性早搏识别方法，其特征在于包括：

采用LCNN分类模块中m个不同结构的第一分类器处理心电图数据以输出m个第一分类结果；

采用RNN分类模块中n个不同结构的第二分类器处理心电图数据以输出n个第二分类结果；

依据融合决策规则将所述输出的m个第一分类结果和n个第二分类结果进行融合决策从而得到融合结果，所述融合结果包括非PVC数据和PVC数据；

依据PVC病理特征对融合单元判断出的非PVC数据和PVC数据进行判别，得到PVC识别结果。