CN110251120B - 基于注意力机制的深度残差神经网络的心电图分类方法 - Google Patents
基于注意力机制的深度残差神经网络的心电图分类方法 Download PDFInfo
- Publication number
- CN110251120B CN110251120B CN201910489829.5A CN201910489829A CN110251120B CN 110251120 B CN110251120 B CN 110251120B CN 201910489829 A CN201910489829 A CN 201910489829A CN 110251120 B CN110251120 B CN 110251120B
- Authority
- CN
- China
- Prior art keywords
- calculating
- formula
- data set
- characteristic diagram
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于注意力机制的深度残差神经网络的心电图分类方法,通过多导联心电图数据和基于注意力机制的深层残差神经网络模型实现心律失常自动分类,首先多导联心电图较单导联心电图蕴含更多心电信息,其次深度残差网络可以更高的学习模型的特征,有助于模型收敛,最后注意力机制模块自动增强特征图,提高模型泛化能力,提高网络的学习效率和心电图识别的精度。
Description
技术领域
本发明涉及心电图分类技术领域,具体涉及一种基于注意力机制的深度残差神经网络的心电图分类方法。
背景技术
心电图检查在医院已成为常见检验项目,心电图是医生判断病人心脏状况最基本的指标。心电图信号是由心脏的电活动引起的非平稳周期性生物信号,蕴含大量复杂的心脏活动信息,只有经过专业培训的医生才能准确解读。因为心脏结构复杂和心脏活动规律较多,所以心律失常类型分类较多。同类型的心律失常在相同患者的不同阶段之间的心电图很可能有明显变化,不同患者同种类型的心律失常在心电图上的差异更大,这就在客观方面给心律失常的自动分类造成很大难题,普通卷积神经网络的泛化能力有限,对样本较少疾病预测能力偏差。
发明内容
本发明为了克服以上技术的不足,提供了一种提高网络学习精度的基于注意力机制的深度残差神经网络的心电图分类方法。
本发明克服其技术问题所采用的技术方案是:
一种基于注意力机制的深度残差神经网络的心电图分类方法,包括如下步骤:
a)计算机从MIT-BIH心律失常数据库中获取心电数据,根据心电数据中导联记录内容,选择upper信号为Ⅱ导联信号以及选择lower信号为胸部Ⅰ导联信号作为实验数据;
b)使用基于双尺度小波变换法对实验数据进行降噪处理,定位实验数据中的QRS波群,通过QRS波群获取心电信号中的P波和T波的位置,获取一个心拍数据,通过边缘填充随机剪裁算法得到心拍数据的扩充数据集;
c)对扩充数据集添加高斯白噪声,得到数据集集合,通过公式X={(x11,x12,...x1N),(x21,x22,...x2N)}计算数据集集合中的样本X,式中x11为心电数据中肢体Ⅱ导联信号第1个点位电压,x21为胸部Ⅰ导联信号第一个点位电压,N为心电数据中肢体Ⅱ导联信号使用的像素点个数;
d)通过包含c1个卷积核的一维卷积层Conv1D对数据集集合提取特征,得到特征图a1,其中c1为特征图a1通道数,w1为特征图a1每个通道特征宽度,计算得到第k个通道的特征图;
e)通过一维卷积层,对特征图a1计算得到特征图a2.1,其中特征图a2.1通道数为c2.1,特征图a2.1每个通道特征宽度为w2.1;
f)通过批处理层,利用公式计算特征图a2.1归一化数据均值式中,为特征图a2.1第k个通道的第i个特征,通过公式计算特征图a2.1归一化数据方差σ2.1,通过公式计算特征图a2.1规范化函数BNγ,β(a2.1),其中式中0<ε<0.001,γ为线性规范化的斜率,β为线性规范化的截距,a2.2为a2.1批规范化的结果;g)通过非线性激活层,利用公式计算得到线性修正结果a2.3;
h)通过第二个卷积层,批处理层对线性修正结果a2.3计算得到结果a2.4;
m)将增强特征图a3替代步骤d)中的特征图a1后,重复执行步骤e)至步骤l),计算得到特征图a4;
n)通过最大池化层对特征图a4计算得到压缩图a5,通过展平层将特征图a5展平成一维向量a6,通过全连接层根据公式a7=W6·a6+b6计算样本对应每类疾病得分a7,W6为全连接层权重,b6为全连接层偏倚,通过softmax激活函数根据公式计算预测结果a8,其中为第i类疾病预测得分,为第j类疾病预测得分;
o)使用交叉熵函数计算预测结果a8的损失,如果损失小于制定阈值Threshold则跳转至步骤q),如果损失大于等于制定阈值Threshold则跳转至步骤p);
p)使用Adam优化算法调整模型参数,跳转至步骤d);
q)保存模型参数,算法结束。
进一步的,步骤c)中对扩充数据集分别添加信噪比为40db、60db和80db的高斯白噪声,形成40db数据集、60db数据集和80db数据集,40db数据集、60db数据集和80db数据集构成数据集集合。
进一步的,步骤c)中N=192。
进一步的,步骤d)中通过公式计算得到一个通道特征向量的宽度w1,式中F为卷积核大小,P为边缘填充密度,S为步长,通过公式计算第k个通道的特征图,其中为卷积层第1层第k个通道的权重,为卷积层第1层第k个通道的的偏倚,Conv1D为一维卷积神经网络计算函数。
进一步的,步骤o)中制定阈值Threshold=0.001。
本发明的有益效果是:通过多导联心电图数据和基于注意力机制的深层残差神经网络模型实现心律失常自动分类,首先多导联心电图较单导联心电图蕴含更多心电信息,其次深度残差网络可以更高的学习模型的特征,有助于模型收敛,最后注意力机制模块自动增强特征图,提高模型泛化能力,提高网络的学习效率和心电图识别的精度。
具体实施方式
下面对本发明做进一步说明。
一种基于注意力机制的深度残差神经网络的心电图分类方法,包括如下步骤:
a)计算机从MIT-BIH心律失常数据库中获取心电数据,根据心电数据中导联记录内容,选择upper信号为Ⅱ导联信号以及选择lower信号为胸部Ⅰ导联信号作为实验数据;
b)使用基于双尺度小波变换法对实验数据进行降噪处理,定位实验数据中的QRS波群,通过QRS波群获取心电信号中的P波和T波的位置,获取一个心拍数据,通过边缘填充随机剪裁算法得到心拍数据的扩充数据集;
c)对扩充数据集添加高斯白噪声,得到数据集集合,通过公式X={(x11,x12,...x1N),(x21,x22,...x2N)}计算数据集集合中的样本X,式中x11为心电数据中肢体Ⅱ导联信号第1个点位电压,x21为胸部Ⅰ导联信号第一个点位电压,N为心电数据中肢体Ⅱ导联信号使用的像素点个数;
d)通过包含c1个卷积核的一维卷积层Conv1D对数据集集合提取特征,得到特征图a1,其中c1为特征图a1通道数,w1为特征图a1每个通道特征宽度,计算得到第k个通道的特征图;
e)通过一维卷积层,对特征图a1计算得到特征图a2.1,其中特征图a2.1通道数为c2.1,特征图a2.1每个通道特征宽度为w2.1;
f)通过批处理层,利用公式计算特征图a2.1归一化数据均值式中,为特征图a2.1第k个通道的第i个特征,通过公式计算特征图a2.1归一化数据方差σ2.1,通过公式计算特征图a2.1规范化函数BNγ,β(a2.1),其中式中0<ε<0.001,γ为线性规范化的斜率,β为线性规范化的截距,a2.2为a2.1批规范化的结果;
h)通过第二个卷积层,批处理层对线性修正结果a2.3计算得到结果a2.4;
m)将增强特征图a3替代步骤d)中的特征图a1后,重复执行步骤e)至步骤l),计算得到特征图a4;
n)通过最大池化层对特征图a4计算得到压缩图a5,通过展平层将特征图a5展平成一维向量a6,通过全连接层根据公式a7=W6·a6+b6计算样本对应每类疾病得分a7,W6为全连接层权重,b6为全连接层偏倚,通过softmax激活函数根据公式计算预测结果a8,其中为第i类疾病预测得分,为第j类疾病预测得分;
o)使用交叉熵函数计算预测结果a8的损失,如果损失小于制定阈值Threshold则跳转至步骤q),如果损失大于等于制定阈值Threshold则跳转至步骤p);
p)使用Adam优化算法调整模型参数,跳转至步骤d);
q)保存模型参数,算法结束。
优选的,步骤c)中对扩充数据集分别添加信噪比为40db、60db和80db的高斯白噪声,形成40db数据集、60db数据集和80db数据集,40db数据集、60db数据集和80db数据集构成数据集集合。
通过多导联心电图数据和基于注意力机制的深层残差神经网络模型实现心律失常自动分类,首先多导联心电图较单导联心电图蕴含更多心电信息,其次深度残差网络可以更高的学习模型的特征,有助于模型收敛,最后注意力机制模块自动增强特征图,提高模型泛化能力,提高网络的学习效率和心电图识别的精度。优选的,步骤c)中N=192。
优选的,步骤d)中通过公式计算得到一个通道特征向量的宽度w1,式中F为卷积核大小,P为边缘填充密度,S为步长,通过公式计算第k个通道的特征图,其中为卷积层第1层第k个通道的权重,为卷积层第1层第k个通道的的偏倚,Conv1D为一维卷积神经网络计算函数。
优选的,步骤o)中制定阈值Threshold=0.001。
Claims (5)
1.一种基于注意力机制的深度残差神经网络的心电图分类方法,其特征在于,包括如下步骤:
a)计算机从MIT-BIH心律失常数据库中获取心电数据,根据心电数据中导联记录内容,选择upper信号为Ⅱ导联信号以及选择lower信号为胸部Ⅰ导联信号作为实验数据;
b)使用基于双尺度小波变换法对实验数据进行降噪处理,定位实验数据中的QRS波群,通过QRS波群获取心电信号中的P波和T波的位置,获取一个心拍数据,通过边缘填充随机剪裁算法得到心拍数据的扩充数据集;
c)对扩充数据集添加高斯白噪声,得到数据集集合,通过公式X={(x11,x12,...x1N),(x21,x22,...x2N)}计算数据集集合中的样本X,式中x11为心电数据中肢体Ⅱ导联信号第1个点位电压,x21为胸部Ⅰ导联信号第一个点位电压,N为心电数据中肢体Ⅱ导联信号使用的像素点个数;
d)通过包含c1个卷积核的一维卷积层Conv1D对数据集集合提取特征,得到特征图a1,其中c1为特征图a1通道数,w1为特征图a1每个通道特征宽度,计算得到第k个通道的特征图,通过公式计算得到一个通道特征向量的宽度w1,式中F为卷积核大小,P为边缘填充密度,S为步长,通过公式计算第k个通道的特征图,其中为卷积层第1层第k个通道的权重,为卷积层第1层第k个通道的的偏倚,Conv1D为一维卷积神经网络计算函数;
e)通过一维卷积层,对特征图a1计算得到特征图a2.1,其中特征图a2.1通道数为c2.1,特征图a2.1每个通道特征宽度为w2.1;
f)通过批处理层,利用公式计算特征图a2.1归一化数据均值式中,为特征图a2.1第k个通道的第i个特征,通过公式计算特征图a2.1归一化数据方差σ2.1,通过公式计算特征图a2.1规范化函数BNγ,β(a2.1),其中式中0<ε<0.001,γ为线性规范化的斜率,β为线性规范化的截距,a2.2为a2.1批规范化的结果;
h)通过第二个卷积层,批处理层对线性修正结果a2.3计算得到结果a2.4;
m)将增强特征图a3替代步骤d)中的特征图a1后,重复执行步骤e)至步骤l),计算得到特征图a4;
n)通过最大池化层对特征图a4计算得到压缩图a5,通过展平层将特征图a5展平成一维向量a6,通过全连接层根据公式a7=W6·a6+b6计算样本对应每类疾病得分a7,W6为全连接层权重,b6为全连接层偏倚,通过softmax激活函数根据公式计算预测结果a8,其中为第i类疾病预测得分,为第j类疾病预测得分;
o)使用交叉熵函数计算预测结果a8的损失,如果损失小于制定阈值Threshold则跳转至步骤q),如果损失大于等于制定阈值Threshold则跳转至步骤p);
p)使用Adam优化算法调整模型参数,跳转至步骤d);
q)保存模型参数,算法结束。
2.根据权利要求1所述的基于注意力机制的深度残差神经网络的心电图分类方法,其特征在于:步骤c)中对扩充数据集分别添加信噪比为40db、60db和80db的高斯白噪声,形成40db数据集、60db数据集和80db数据集,40db数据集、60db数据集和80db数据集构成数据集集合。
3.根据权利要求1所述的基于注意力机制的深度残差神经网络的心电图分类方法,其特征在于:步骤c)中N=192。
4.根据权利要求1所述的基于注意力机制的深度残差神经网络的心电图分类方法,其特征在于:步骤o)中制定阈值Threshold=0.001。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910489829.5A CN110251120B (zh) | 2019-06-06 | 2019-06-06 | 基于注意力机制的深度残差神经网络的心电图分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910489829.5A CN110251120B (zh) | 2019-06-06 | 2019-06-06 | 基于注意力机制的深度残差神经网络的心电图分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110251120A CN110251120A (zh) | 2019-09-20 |
CN110251120B true CN110251120B (zh) | 2021-03-30 |
Family
ID=67917143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910489829.5A Active CN110251120B (zh) | 2019-06-06 | 2019-06-06 | 基于注意力机制的深度残差神经网络的心电图分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110251120B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688942B (zh) * | 2019-09-25 | 2023-05-26 | 西安邮电大学 | 一种基于InResNet网络的心电信号联合识别模块及方法 |
CN110890155B (zh) * | 2019-11-25 | 2022-10-28 | 中国科学技术大学 | 一种基于导联注意力机制的多类心律失常检测方法 |
CN110974217B (zh) * | 2020-01-03 | 2022-08-09 | 苏州大学 | 基于卷积自编码器的双阶段心电信号降噪方法 |
CN111184508B (zh) * | 2020-01-19 | 2021-05-18 | 武汉大学 | 一种基于联合神经网络的心电信号检测装置及分析方法 |
CN111523502B (zh) * | 2020-04-30 | 2023-06-20 | 上海交通大学医学院附属瑞金医院 | 一种心电图图像处理方法、设备、介质和心电图仪 |
CN112603325A (zh) * | 2020-12-11 | 2021-04-06 | 上海交通大学 | 基于形态学滤波和小波阈值的心电异常判别***及方法 |
CN112834921B (zh) * | 2020-12-23 | 2022-07-15 | 浙江工业大学 | 一种基于残差图注意力网络的电机故障诊断方法 |
CN112704503B (zh) * | 2021-01-15 | 2022-08-30 | 苏州大学 | 心电信号噪声处理方法 |
CN112957054B (zh) * | 2021-01-25 | 2023-06-23 | 北京工业大学 | 一种基于通道注意力分组残差网络的12导联心电信号分类方法 |
CN113080988B (zh) * | 2021-03-26 | 2024-01-16 | 京东方科技集团股份有限公司 | 基于注意力机制的12导联心电图整体分类方法和装置 |
CN113080994A (zh) * | 2021-03-30 | 2021-07-09 | 北京芯动卫士科技有限公司 | 一种基于卷积神经网络的多导联心电信号分类方法 |
CN113229825A (zh) * | 2021-06-22 | 2021-08-10 | 郑州大学 | 一种基于深度神经网络的多标签多导联心电图分类方法 |
CN114052741A (zh) * | 2021-11-08 | 2022-02-18 | 西安工业大学 | 基于多尺度自回归模型的心电图识别方法 |
CN115363594A (zh) * | 2022-09-13 | 2022-11-22 | 广州迪迈信息科技有限公司 | 一种基于循环神经网络的实时心脏疾病筛查方法 |
CN115568860B (zh) * | 2022-09-30 | 2024-07-02 | 厦门大学 | 基于双注意力机制的十二导联心电信号的自动分类方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108720831B (zh) * | 2018-05-12 | 2021-01-15 | 鲁东大学 | 一种基于导联深度神经网络的自动心律失常分析方法 |
CN109086779B (zh) * | 2018-07-28 | 2021-11-09 | 天津大学 | 一种基于卷积神经网络的注意力目标识别方法 |
-
2019
- 2019-06-06 CN CN201910489829.5A patent/CN110251120B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110251120A (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110251120B (zh) | 基于注意力机制的深度残差神经网络的心电图分类方法 | |
CN110179453B (zh) | 基于卷积神经网络和长短期记忆网络的心电图分类方法 | |
Xia et al. | An automatic cardiac arrhythmia classification system with wearable electrocardiogram | |
Al Rahhal et al. | Deep learning approach for active classification of electrocardiogram signals | |
Bhagyalakshmi et al. | GB-SVNN: Genetic BAT assisted support vector neural network for arrhythmia classification using ECG signals | |
US20170360377A1 (en) | Method for the detecting electrocardiogram anomalies and corresponding system | |
CN111772619B (zh) | 一种基于深度学习的心搏识别方法、终端设备及存储介质 | |
CN106725426A (zh) | 一种心电信号分类的方法及*** | |
CN110263684B (zh) | 基于轻量级神经网络的心电图分类方法 | |
CN111261289A (zh) | 一种基于人工智能模型的心脏疾病的检测方法 | |
WO2019019491A1 (zh) | 一种血氧饱和度的检测方法与*** | |
US20210315470A1 (en) | Reconstruction of electrocardiogram from photoplethysmogram signals | |
Banerjee et al. | A hybrid CNN-LSTM architecture for detection of coronary artery disease from ECG | |
CN115881308A (zh) | 基于时空联合检测的心脏疾病分类模型构建方法 | |
CN111261278A (zh) | 一种基于三维图像的深度学习模型的心脏疾病检测方法 | |
CN115470832A (zh) | 一种基于区块链的心电信号数据处理方法 | |
CN111053552B (zh) | 一种基于深度学习的qrs波检测方法 | |
Al Rahhal et al. | Automatic premature ventricular contractions detection for multi-lead electrocardiogram signal | |
CN114431873A (zh) | 一种基于图卷积的心电图心率多类型预测模型构建方法 | |
Tao et al. | A resource-efficient ECG diagnosis model for mobile health devices | |
CN113069124A (zh) | 一种基于cnn-et模型的心电监测方法 | |
CN110786847B (zh) | 心电信号的建库方法和分析方法 | |
Haroon | ECG arrhythmia classification Using deep convolution neural networks in transfer learning | |
CN116807491A (zh) | 应用于实时心电监测设备的心肌梗死全局导联重建方法 | |
CN111613321A (zh) | 一种基于密集卷积神经网络的心电图卒中辅助诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |