CN110353657B - 一种基于双选机制的多种波形类型筛选方法及装置 - Google Patents
一种基于双选机制的多种波形类型筛选方法及装置 Download PDFInfo
- Publication number
- CN110353657B CN110353657B CN201910639741.7A CN201910639741A CN110353657B CN 110353657 B CN110353657 B CN 110353657B CN 201910639741 A CN201910639741 A CN 201910639741A CN 110353657 B CN110353657 B CN 110353657B
- Authority
- CN
- China
- Prior art keywords
- waveform
- kernels
- convolutional
- electrocardiosignals
- lead
- 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
Images
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
- A61B5/24—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]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请涉及一种基于双选机制的多种波形类型筛选方法及装置,采用基于波形类型分类模型‑基于CNN神经网络分类+KNN聚类分析方法进行分类的双选机制来构造多种波形类型的判断,具有筛选速度快,准确率高的优点。
Description
技术领域
本申请属于心电信号类型识别技术领域,尤其是涉及一种基于双选机制的多种波形类型筛选方法及装置。
背景技术
心电信号是由窦房结自主起搏后,一系列的电位变化通过传导***,传导至心脏各部分形成心肌的电生理活动。按照心脏激动的时间顺序,将体表电位的变化记录下来,形成的连续曲线即为心电图。
典型的心电图包括P波、QRS波、T波。P波反映心房除极过程的电位变化;P-R间期代表激动从窦房结通过房室交界区到心室肌开始除极的时限;QRS波群反映心室除极过程的电位变化;T波代表心室肌复极过程中的电位变化。心电图具有很强的复杂性,不同种族、性别、年龄的人在各种病理情况下的差异性很大,即使同一人在不同时刻的心电图表现的类型也不一样。医生受限于其专业性和经验,常常会过于依赖机器给出的自动诊断结果,而目前尚没有能够准确对心电信号的波形类型进行识别的方法,很容易造成对心电信号的解读产生错误。
发明内容
本发明要解决的技术问题是:为解决现有技术中的不足,从而提供一种能够准确快速识别波形类型的基于双选机制的多种波形类型筛选方法及装置。
本发明解决其技术问题所采用的技术方案是:
一种基于双选机制的多种波形类型筛选方法,
获取待检测的未知类型的多导联心电信号;
收集充分多条已知波形类型的临床静息多导联心电信号,对具有每种波形类型的心电信号给予不同的编号;
若未知波形类型的多导联心电信号与收集的临床静息多导联心电信号的数据采样频率不同时,将未知波形类型的多导联心电信号和/或收集的临床静息多导联心电信号的数据采样频率重采样为相同的数据采样频率;
将收集的已知波形类型的临床静息多导联心电信号作为输入,多导联心电信号对应的波形类型所对应的编号作为输出代入卷积神经网络中进行训练得到波形类型分类模型;
将未知波形类型的多导联心电信号作为输入代入训练好的波形类型分类模型中,输出为数组P={pi|i=0,1,2…,n-1},n为波形类型的数量;
将收集的已知类型的临床静息多导联心电信号,按波形类型分别进行随机抽取,每一种波形类型随机抽取10%的数据形成辅助测试集,将获取的未知波形类型的多导联心电信号加入打乱顺序的辅助测试集的最末端,组成混合测试集;
采用k-means聚类分析方法对混合测试集进行无监督分类,设置无监督分类个数为n个,查看与未知波形类型的多导联心电信号被无监督分类分为同一类的集合,计算所述集合中不同类型的心电信号的占比K={ki|i=0,1…,n-1};
依次执行判断条件一和二,当符合任一判断条件时则终止,输出待检测的未知类型的多导联心电信号的类型:
判断条件一:如果px>0.5且kx>A%,则认为待检测的未知波形类型的多导联心电信号为编号为x对应的波形类型,px为数组P中的最大的值,其中若n大于等于5时,A取30,n小于5时,A取60;
判断条件二:如果py>0.5且ky>A%,则认为待检测的未知波形类型的多导联心电信号为编号为y对应的波形类型,py为数组P中的第二大的值,其中若n大于等于5时,A取30,n小于5时,A取60;
如果不符合判断条件一和二,或者K={ki|i=0,1…n-1}中所有元素均为0,则认为无法判断未知波形类型的多导联心电信号的波形类型。
优选地,本发明的基于双选机制的多种波形类型筛选方法,心电信号的波形类型至少包括:正常心电图、ST段水平抬高、ST段水平压低、ST弓背抬高四种类型,n=4。
优选地,本发明的基于双选机制的多种波形类型筛选方法,收集的已知波形类型的心电信号中不同波形类型心电信号数量的差值小于10%。
优选地,本发明的基于双选机制的多种波形类型筛选方法,卷积神经网络由9层网络layer1-layer9组成;layer1-layer7均由一个卷积层和一个池化层组成;layer1中卷积层包含5个核,卷积核大小均为29,layer1中池化层中的步长和核大小均为2;
layer2卷积层包含5个核,卷积核大小均为15,layer2中池化层中的步长和核大小均为2;
layer3卷积层包含5个核,卷积核大小均为13,layer3中池化层中的步长和核大小均为2;
layer4卷积层包含10个核,卷积核大小均为5,layer4中池化层中的步长和核大小均为2;
layer5卷积层包含10个核,卷积核大小均为5,layer5中池化层中的步长和核大小均为2;
layer6卷积层包含10个核,卷积核大小均为3,layer4中池化层中的步长和核大小均为2;
layer7卷积层包含10个核,卷积核大小均为3,layer4中池化层中的步长和核大小均为2;
全连接层layer8的输入层神经元个数与layer7的输出特征个数一致,输出层神经元个数为360个,layer9的输出结果为数组P={pi|i=0,1,2,3},pi∈[0,1]且为浮点数。
优选地,本发明的基于双选机制的多种波形类型筛选方法,卷积神经网络中损失函数采用categorical_crossentropy损失函数。
本申请还提供一种基于双选机制的多种波形类型筛选装置,包括:
波形类型分类模型,波形类型分类模型为由充分多条具有n种已知波形类型心电信号的临床静息多导联心电信号对卷积神经网络进行训练得到,波形类型分类模型的输入为待检测的未知波形类型的多导联心电信号,输出为数组P={pi|i=0,1,2…,n-1};
混合测试集生成模型,用于将收集的已知波形类型的临床静息多导联心电信号,按波形类型分别进行随机抽取,每一种波形类型随机抽取10%的数据形成辅助测试集,将获取的未知波形类型的多导联心电信号加入打乱顺序的辅助测试集的最末端,组成混合测试集;
KNN聚类模型,用于以k-means聚类分析方法对混合测试集进行无监督分类,设置无监督分类个数为n个,查看与未知波形类型的多导联心电信号被无监督分类分为同一类的集合,计算所述集合中不同波形类型的心电信号的占比K={ki|i=0,1…,n-1};
判断模块,用于依次执行判断条件一和二,当符合任一判断条件时则终止,输出待检测的未知类型的多导联心电信号的类型:判断条件一:如果px>0.5且kx>A%,则认为待检测的未知波形类型的多导联心电信号为编号为x对应的波形类型,px为数组P中的最大的值,其中若n大于等于5时,A取30,n小于5时,A取60;判断条件二:如果py>0.5且ky>A%,则认为待检测的未知波形类型的多导联心电信号为编号为y对应的波形类型,py为数组P中的第二大的值,其中若n大于等于5时,A取30,n小于5时,A取60;如果不符合判断条件一和二,或者K={ki|i=0,1…n-1}中所有元素均为0,则认为无法判断未知波形类型的多导联心电信号的波形类型。
优选地,本发明的基于双选机制的多种波形类型筛选方法,心电信号的波形类型至少包括:正常心电图、ST段水平抬高、ST段水平压低、ST弓背抬高四种类型,n=4。
优选地,本发明的基于双选机制的多种波形类型筛选方法,收集的已知波形类型的心电信号中不同波形类型心电信号数量的差值小于10%。
优选地,本发明的基于双选机制的多种波形类型筛选方法,卷积神经网络由9层网络layer1-layer9组成;layer1-layer7均由一个卷积层和一个池化层组成;layer1中卷积层包含5个核,卷积核大小均为29,layer1中池化层中的步长和核大小均为2;
layer2卷积层包含5个核,卷积核大小均为15,layer2中池化层中的步长和核大小均为2;
layer3卷积层包含5个核,卷积核大小均为13,layer3中池化层中的步长和核大小均为2;
layer4卷积层包含10个核,卷积核大小均为5,layer4中池化层中的步长和核大小均为2;
layer5卷积层包含10个核,卷积核大小均为5,layer5中池化层中的步长和核大小均为2;
layer6卷积层包含10个核,卷积核大小均为3,layer4中池化层中的步长和核大小均为2;
layer7卷积层包含10个核,卷积核大小均为3,layer4中池化层中的步长和核大小均为2;
全连接层layer8的输入层神经元个数与layer7的输出特征个数一致,输出层神经元个数为360个,layer9的输出结果为数组P={pi|i=0,1,2,3},pi∈[0,1]且为浮点数。
优选地,本发明的基于双选机制的多种波形类型筛选方法,卷积神经网络中损失函数采用categorical_crossentropy损失函数。
本发明的有益效果是:
本申请的基于双选机制的多种波形类型筛选方法及装置,采用基于波形类型分类模型-基于CNN神经网络分类+KNN聚类分析方法进行分类的双选机制来构造多种波形类型的判断,具有筛选速度快,准确率高的优点。
附图说明
下面结合附图和实施例对本申请的技术方案进一步说明。
图1是本申请实施例的基于双选机制的多种波形类型筛选方法的流程示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本申请的技术方案。
实施例
本实施例提供一种基于双选机制的多种波形类型筛选方法,如图1所示,包括以下步骤:
S1:获取待检测的未知波形类型的多导联心电信号,比如十二导联心电信号;
S2:收集充分多条已知波形类型的临床静息多导联心电信号,对每种波形类型的心电信号给予不同的编号,已知波形类型的临床静息十二导联心电信号通常超过2万条,心电信号的类型至少包括:正常心电图、ST段水平抬高、ST段水平压低、ST弓背抬高这四种波形类型,并且需要不同波形类型心电信号数量的差值小于10%,每种波形类型心电信号数量不低于2000条,并对每种波形类型心电信号给予不同的编号,比如正常心电图标记为0、ST段水平抬高标记为1、ST段水平压低标记为2、ST弓背抬高标记为3;
S3:对未知波形类型的多导联心电信号与收集的临床静息多导联心电信号还可进行预处理,比如若未知波形类型的多导联心电信号与收集的临床静息多导联心电信号的数据采样频率不同时,将未知波形类型的多导联心电信号和/或收集的临床静息多导联心电信号的数据采样频率重采样为相同的数据采样频率;比如心电信号的数据采样频率建议为500Hz,若非500Hz可以通过重采样变化为500Hz,未知波形类型的多导联心电信号与收集的临床静息多导联心电信号在使用之前还可根据需要进行滤波,比如使用[0.5-50]Hz的带通滤波器进行滤波;
S4:将收集的已知波形类型的临床静息多导联心电信号作为输入,多导联心电信号对应的波形类型所对应的编号作为输出代入卷积神经网络中进行训练得到波形类型分类模型;
其中,卷积神经网络由9层网络组成。layer1-layer7均由一个卷积层和一个池化层组成;layer1中卷积层包含5个核,卷积核大小均为29,layer1中池化层中的步长和核大小均为2;
layer2卷积层包含5个核,卷积核大小均为15,layer2中池化层中的步长和核大小均为2;
layer3卷积层包含5个核,卷积核大小均为13,layer3中池化层中的步长和核大小均为2;
layer4卷积层包含10个核,卷积核大小均为5,layer4中池化层中的步长和核大小均为2;
layer5卷积层包含10个核,卷积核大小均为5,layer5中池化层中的步长和核大小均为2;
layer6卷积层包含10个核,卷积核大小均为3,layer4中池化层中的步长和核大小均为2;
layer7卷积层包含10个核,卷积核大小均为3,layer4中池化层中的步长和核大小均为2;
全连接层layer8的输入层神经元个数与layer7的输出特征个数一致,输出层神经元个数为360个,因此经过计算后输出360个特征;这360个特征作为输入,输入到分类器layer9中,layer9经过计算输出诊断结果,layer9的输出结果为数组P,n=4时,数组P={pi|i=0,1,2,3},pi∈[0,1]且为浮点数。(数字i与训练时心电信号类型的编号相同,pi分别代表:正常心电图、ST段水平抬高、ST段水平压低、ST弓背抬高的输出值也即概率值。),损失函数采用categorical_crossentropy损失函数;
S5:将未知波形类型的多导联心电信号作为输入代入训练好的波形类型分类模型中,输出为数组P={pi|i=0,1,2…,n-1},n为心电信号波形类型的数量;
S6:将收集的已知波形类型的临床静息多导联心电信号,按类型分别进行随机抽取,每一种波形类型随机抽取10%的数据形成辅助测试集,将获取的未知波形类型的多导联心电信号加入打乱顺序的辅助测试集的最末端,组成混合测试集;比如:各有2000条四种波形类型的心电信息,抽取10%后,辅助测试集的数量为800条时,将获取的未知波形类型的十二导联心电信号加入打乱顺序的辅助测试集的最末端,组成一个共包含801条心电信号的混合测试集。
S7:采用k-means聚类分析方法对混合测试集进行无监督分类,设置无监督分类个数为n个,查看与未知波形类型的多导联心电信号被无监督分类分为同一类的集合,计算所述集合中不同类型的心电信号的占比K={ki|i=0,1…,n-1};
S8:依次执行判断条件一和二,当符合任一判断条件时则终止,输出待检测的未知类型的多导联心电信号的类型,x,y均为i中的一个数字:
判断条件一:如果px>0.5且kx>A%,则认为待检测的未知波形类型的多导联心电信号为编号为x对应的波形类型,px为数组P中的最大的值,其中若n大于等于5时,A取30,n小于5时,A取60,比如n=4时,可以取A为60;
判断条件二:如果py>0.5且ky>A%,则认为待检测的未知波形类型的多导联心电信号为编号为y对应的波形类型,py为数组P中的第二大的值,其中若n大于等于5时,A取30,n小于5时,A取60;
如果不符合判断条件一和二,或者K={ki|i=0,1…n-1}中所有元素均为0,则认为无法判断未知波形类型的多导联心电信号的波形类型。
本实施例还提供一种基于双选机制的多种波形类型筛选装置,包括:
波形类型分类模型,波形类型分类模型为由充分多条具有n种波形类型心电信号且已知波形类型的临床静息多导联心电信号的卷积神经网络训练得到,波形类型分类模型的输入为待检测的未知波形类型的多导联心电信号,输出为数组P={pi|i=0,1,2…,n-1};
波形类型分类模型的训练方法为:
收集充分多条已知波形类型的临床静息多导联心电信号,对每种波形类型的心电信号给予不同的编号,已知波形类型的临床静息十二导联心电信号通常超过2万条,心电信号的波形类型至少包括:正常心电图、ST段水平抬高、ST段水平压低、ST弓背抬高四种类型,n=4,并且需要不同波形类型心电信号数量的差值小于10%,每种波形类型心电信号数量不低于2000条,并对每种波形类型心电信号给予不同的编号,比如正常心电图为0、ST段水平抬高为1、ST段水平压低为2、ST弓背抬高为3;如果心电信号不符合处理条件,还可对心电信号进行预处理,心电信号的数据采样频率建议为500Hz,若非500Hz可以通过重采样变化为500Hz,未知类型的多导联心电信号与收集的临床静息多导联心电信号在使用之前还可根据需要进行滤波,比如使用[0.5-50]Hz的带通滤波器进行滤波;
将收集的已知波形类型的临床静息多导联心电信号作为输入,多导联心电信号对应的波形类型所对应的编号作为输出代入卷积神经网络中进行训练得到波形类型分类模型;
其中,卷积神经网络由9层网络组成。layer1-layer7均由一个卷积层和一个池化层组成;layer1中卷积层包含5个核,卷积核大小均为29,layer1中池化层中的步长和核大小均为2;
layer2卷积层包含5个核,卷积核大小均为15,layer2中池化层中的步长和核大小均为2;
layer3卷积层包含5个核,卷积核大小均为13,layer3中池化层中的步长和核大小均为2;
layer4卷积层包含10个核,卷积核大小均为5,layer4中池化层中的步长和核大小均为2;
layer5卷积层包含10个核,卷积核大小均为5,layer5中池化层中的步长和核大小均为2;
layer6卷积层包含10个核,卷积核大小均为3,layer4中池化层中的步长和核大小均为2;
layer7卷积层包含10个核,卷积核大小均为3,layer4中池化层中的步长和核大小均为2;
全连接层layer8的输入层神经元个数与layer7的输出特征个数一致,输出层神经元个数为360个,因此经过计算后输出360个特征;这360个特征作为输入,输入到分类器layer9中,layer9经过计算输出诊断结果,预测函数为model.predict_classes,layer9的输出结果为组成一个数组P,n=4时,数组P={pi|i=0,1,2,3},pi∈[0,1]。(数字i与训练时心电信号类型的编号相同,pi分别代表:正常心电图、ST段水平抬高、ST段水平压低、ST弓背抬高的输出值也即概率值。),损失函数采用categorical_crossentropy损失函数;
混合测试集生成模型,用于将收集的已知波形类型的临床静息多导联心电信号,按波形类型分别进行随机抽取,每一种波形类型随机抽取10%的数据形成辅助测试集,将获取的未知波形类型的多导联心电信号加入打乱顺序的辅助测试集的最末端,组成混合测试集;比如:各有2000条四种波形类型的心电信息,抽取10%后,辅助测试集的数量为800条时,将获取的未知波形类型的十二导联心电信号加入打乱顺序的辅助测试集的最末端,组成一个共包含801条心电信号的混合测试集。
KNN聚类模型,用于以k-means聚类分析方法对混合测试集进行无监督分类,设置无监督分类个数为n个,查看与未知波形类型的多导联心电信号被无监督分类分为同一类的集合,计算所述集合中不同类型的心电信号的占比K={ki|i=0,1…,n-1};
判断模块,用于依次执行判断条件一和二,当符合任一判断条件时则终止,输出待检测的未知类型的多导联心电信号的类型:判断条件一:如果px>0.5且kx>A%,则认为待检测的未知波形类型的多导联心电信号为编号为x对应的波形类型,px为数组P中的最大的值,其中若n大于等于5时,A取30,n小于5时,A取60;判断条件二:如果py>0.5且ky>A%,则认为待检测的未知波形类型的多导联心电信号为编号为y对应的波形类型,py为数组P中的第二大的值,其中若n大于等于5时,A取30,n小于5时,A取60;如果不符合判断条件一和二,或者K={ki|i=0,1…n-1}中所有元素均为0,则认为无法判断未知类型的多导联心电信号。x,y均为0-3中的一个数字。
本实施例的基于双选机制的多种波形类型筛选方法及装置,采用基于波形类型分类模型-基于CNN神经网络分类+KNN聚类分析方法进行分类的双选机制来构造多种波形类型的判断,具有筛选速度快,准确率高的优点。
本申请是对心电图波形进行判断,而该波形并不能最终确定病人是否得病,需要医生做出判断。
以上述依据本申请的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项申请技术思想的范围内,进行多样的变更以及修改。本项申请的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (10)
1.一种基于双选机制的多种波形类型筛选方法,其特征在于,
获取待检测的未知类型的多导联心电信号;
收集多条已知波形类型的临床静息多导联心电信号,对具有每种波形类型的心电信号给予不同的编号;
若未知波形类型的多导联心电信号与收集的临床静息多导联心电信号的数据采样频率不同时,将未知波形类型的多导联心电信号和/或收集的临床静息多导联心电信号的数据采样频率重采样为相同的数据采样频率;
将收集的已知波形类型的临床静息多导联心电信号作为输入,多导联心电信号对应的波形类型所对应的编号作为输出代入卷积神经网络中进行训练得到波形类型分类模型;
将未知波形类型的多导联心电信号作为输入代入训练好的波形类型分类模型中,输出为数组P={pi|i=0,1,2…,n-1},n为波形类型的数量;
将收集的已知类型的临床静息多导联心电信号,按波形类型分别进行随机抽取,每一种波形类型随机抽取10%的数据形成辅助测试集,将获取的未知波形类型的多导联心电信号加入打乱顺序的辅助测试集的最末端,组成混合测试集;
采用k-means聚类分析方法对混合测试集进行无监督分类,设置无监督分类个数为n个,查看与未知波形类型的多导联心电信号被无监督分类分为同一类的集合,计算所述集合中不同类型的心电信号的占比K={ki|i=0,1…,n-1};
依次执行判断条件一和二,当符合任一判断条件时则终止,输出待检测的未知类型的多导联心电信号的类型:
判断条件一:如果px>0.5且kx>A%,则认为待检测的未知波形类型的多导联心电信号为编号为x对应的波形类型,px为数组P中的最大的值,其中若n大于等于5时,A取30,n小于5时,A取60;
判断条件二:如果py>0.5且ky>A%,则认为待检测的未知波形类型的多导联心电信号为编号为y对应的波形类型,py为数组P中的第二大的值,其中若n大于等于5时,A取30,n小于5时,A取60;
如果不符合判断条件一和二,或者K={ki|i=0,1…n-1}中所有元素均为0,则认为无法判断未知波形类型的多导联心电信号的波形类型。
2.根据权利要求1所述的基于双选机制的多种波形类型筛选方法,其特征在于,心电信号的波形类型至少包括:正常心电图、ST段水平抬高、ST段水平压低、ST弓背抬高四种类型,n=4。
3.根据权利要求2所述的基于双选机制的多种波形类型筛选方法,其特征在于,收集的已知波形类型的心电信号中不同波形类型心电信号数量的差值小于10%。
4.根据权利要求3所述的基于双选机制的多种波形类型筛选方法,其特征在于,卷积神经网络由9层网络layer1-layer9组成;layer1-layer7均由一个卷积层和一个池化层组成;layer1中卷积层包含5个核,卷积核大小均为29,layer1中池化层中的步长和核大小均为2;
layer2卷积层包含5个核,卷积核大小均为15,layer2中池化层中的步长和核大小均为2;
layer3卷积层包含5个核,卷积核大小均为13,layer3中池化层中的步长和核大小均为2;
layer4卷积层包含10个核,卷积核大小均为5,layer4中池化层中的步长和核大小均为2;
layer5卷积层包含10个核,卷积核大小均为5,layer5中池化层中的步长和核大小均为2;
layer6卷积层包含10个核,卷积核大小均为3,layer4中池化层中的步长和核大小均为2;
layer7卷积层包含10个核,卷积核大小均为3,layer4中池化层中的步长和核大小均为2;
全连接层layer8的输入层神经元个数与layer7的输出特征个数一致,输出层神经元个数为360个,layer9的输出结果为数组P={pi|i=0,1,2,3},pi∈[0,1]且为浮点数。
5.根据权利要求4所述的基于双选机制的多种波形类型筛选方法,其特征在于,卷积神经网络中损失函数采用categorical_crossentropy损失函数。
6.一种基于双选机制的多种波形类型筛选装置,其特征在于,包括:
波形类型分类模型,波形类型分类模型为由充分多条具有n种已知波形类型心电信号的临床静息多导联心电信号对卷积神经网络进行训练得到,波形类型分类模型的输入为待检测的未知波形类型的多导联心电信号,输出为数组P={pi|i=0,1,2…,n-1};
混合测试集生成模型,用于将收集的已知波形类型的临床静息多导联心电信号,按波形类型分别进行随机抽取,每一种波形类型随机抽取10%的数据形成辅助测试集,将获取的未知波形类型的多导联心电信号加入打乱顺序的辅助测试集的最末端,组成混合测试集;
KNN聚类模型,用于以k-means聚类分析方法对混合测试集进行无监督分类,设置无监督分类个数为n个,查看与未知波形类型的多导联心电信号被无监督分类分为同一类的集合,计算所述集合中不同波形类型的心电信号的占比K={ki|i=0,1…,n-1};
判断模块,用于依次执行判断条件一和二,当符合任一判断条件时则终止,输出待检测的未知类型的多导联心电信号的类型:判断条件一:如果px>0.5且kx>A%,则认为待检测的未知波形类型的多导联心电信号为编号为x对应的波形类型,px为数组P中的最大的值,其中若n大于等于5时,A取30,n小于5时,A取60;判断条件二:如果py>0.5且ky>A%,则认为待检测的未知波形类型的多导联心电信号为编号为y对应的波形类型,py为数组P中的第二大的值,其中若n大于等于5时,A取30,n小于5时,A取60;如果不符合判断条件一和二,或者K={ki|i=0,1…n-1}中所有元素均为0,则认为无法判断未知波形类型的多导联心电信号的波形类型。
7.根据权利要求6所述的基于双选机制的多种波形类型筛选装置,其特征在于,心电信号的波形类型至少包括:正常心电图、ST段水平抬高、ST段水平压低、ST弓背抬高四种类型,n=4。
8.根据权利要求7所述的基于双选机制的多种波形类型筛选装置,其特征在于,收集的已知波形类型的心电信号中不同波形类型心电信号数量的差值小于10%。
9.根据权利要求8所述的基于双选机制的多种波形类型筛选装置,其特征在于,卷积神经网络由9层网络layer1-layer9组成;layer1-layer7均由一个卷积层和一个池化层组成;layer1中卷积层包含5个核,卷积核大小均为29,layer1中池化层中的步长和核大小均为2;
layer2卷积层包含5个核,卷积核大小均为15,layer2中池化层中的步长和核大小均为2;
layer3卷积层包含5个核,卷积核大小均为13,layer3中池化层中的步长和核大小均为2;
layer4卷积层包含10个核,卷积核大小均为5,layer4中池化层中的步长和核大小均为2;
layer5卷积层包含10个核,卷积核大小均为5,layer5中池化层中的步长和核大小均为2;
layer6卷积层包含10个核,卷积核大小均为3,layer4中池化层中的步长和核大小均为2;
layer7卷积层包含10个核,卷积核大小均为3,layer4中池化层中的步长和核大小均为2;
全连接层layer8的输入层神经元个数与layer7的输出特征个数一致,输出层神经元个数为360个,layer9的输出结果为数组P={pi|i=0,1,2,3},pi∈[0,1]且为浮点数。
10.根据权利要求9所述的基于双选机制的多种波形类型筛选装置,其特征在于,卷积神经网络中损失函数采用categorical_crossentropy损失函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910639741.7A CN110353657B (zh) | 2019-07-16 | 2019-07-16 | 一种基于双选机制的多种波形类型筛选方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910639741.7A CN110353657B (zh) | 2019-07-16 | 2019-07-16 | 一种基于双选机制的多种波形类型筛选方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110353657A CN110353657A (zh) | 2019-10-22 |
CN110353657B true CN110353657B (zh) | 2021-02-02 |
Family
ID=68219353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910639741.7A Active CN110353657B (zh) | 2019-07-16 | 2019-07-16 | 一种基于双选机制的多种波形类型筛选方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110353657B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11049011B2 (en) * | 2016-11-16 | 2021-06-29 | Indian Institute Of Technology Delhi | Neural network classifier |
US11517235B2 (en) * | 2017-05-22 | 2022-12-06 | Genetesis, Inc. | Machine differentiation of abnormalities in bioelectromagnetic fields |
CN107330452B (zh) * | 2017-06-16 | 2021-07-02 | 悦享趋势科技(北京)有限责任公司 | 聚类方法和装置 |
CN108577883A (zh) * | 2018-04-03 | 2018-09-28 | 上海交通大学 | 一种冠心病筛查装置、筛查***以及信号特征提取方法 |
CN108836310A (zh) * | 2018-07-13 | 2018-11-20 | 希蓝科技(北京)有限公司 | 一种基于人工智能的自动判断用户心电状态的方法及*** |
CN109730796B (zh) * | 2019-01-15 | 2020-09-15 | 西安交通大学 | 一种全牙列咬合监测与智能分析辅助诊疗装置 |
-
2019
- 2019-07-16 CN CN201910639741.7A patent/CN110353657B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110353657A (zh) | 2019-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10869610B2 (en) | System and method for identifying cardiac arrhythmias with deep neural networks | |
CN110890155B (zh) | 一种基于导联注意力机制的多类心律失常检测方法 | |
Oh et al. | Automated diagnosis of arrhythmia using combination of CNN and LSTM techniques with variable length heart beats | |
JP6986724B2 (ja) | 人工知能に基づく心電図干渉識別方法 | |
US20200337580A1 (en) | Time series data learning and analysis method using artificial intelligence | |
WO2021057328A1 (zh) | 基于特征选取的st段分类卷积神经网络及其使用方法 | |
CN106725426A (zh) | 一种心电信号分类的方法及*** | |
US20080103403A1 (en) | Method and System for Diagnosis of Cardiac Diseases Utilizing Neural Networks | |
CN110717416B (zh) | 基于特征选取的st段分类识别用神经网络训练方法 | |
CN113095302B (zh) | 用于心律失常分类的深度模型、利用该模型的方法及装置 | |
Rohmantri et al. | Arrhythmia classification using 2D convolutional neural network | |
Kumari et al. | Heart rhythm abnormality detection and classification using machine learning technique | |
CN111803059A (zh) | 一种基于时域卷积网络的心电信号分类方法及装置 | |
Al Rahhal et al. | Automatic premature ventricular contractions detection for multi-lead electrocardiogram signal | |
Essa et al. | Multi-model deep learning ensemble for ECG heartbeat arrhythmia classification | |
CN111956202B (zh) | 基于样本分布改进的卷积神经网络的训练方法及模型 | |
CN110353657B (zh) | 一种基于双选机制的多种波形类型筛选方法及装置 | |
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 | |
WO2021031155A1 (zh) | 一种基于ecg的多尺度特征提取方法及装置 | |
CN112022140B (zh) | 一种心电图的诊断结论自动诊断方法及*** | |
CN111956201B (zh) | 基于卷积神经网络的心拍类型识别方法和装置 | |
CN112603324B (zh) | 基于改进损失函数的神经网络的训练方法 | |
CN114224348A (zh) | 组合神经网络心电图分类方法及*** | |
CN112587146B (zh) | 基于改进损失函数的神经网络的心律类型识别方法和装置 | |
CN111084621A (zh) | 基于深度自编码器的qrs波群形态识别方法和装置 |
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 |