CN110693488A - 心电信号处理***、方法、电子设备及可读存储介质 - Google Patents

心电信号处理***、方法、电子设备及可读存储介质 Download PDF

Info

Publication number
CN110693488A
CN110693488A CN201911007785.4A CN201911007785A CN110693488A CN 110693488 A CN110693488 A CN 110693488A CN 201911007785 A CN201911007785 A CN 201911007785A CN 110693488 A CN110693488 A CN 110693488A
Authority
CN
China
Prior art keywords
heartbeat
module
model
fine tuning
classification model
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.)
Pending
Application number
CN201911007785.4A
Other languages
English (en)
Inventor
陈挺
王光宇
张轩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN201911007785.4A priority Critical patent/CN110693488A/zh
Publication of CN110693488A publication Critical patent/CN110693488A/zh
Pending legal-status Critical Current

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
    • A61B5/72—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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Cardiology (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Power Engineering (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本申请公开了一种心电信号处理***、方法、电子设备及存储介质。所述***包括：通过存储模块存储原始心电信号，再通过去噪模块读取原始心电信号并对其进行去噪处理，再通过分割模块对去噪后的心电信号进行进行心搏分割，得到多个心搏，再通过全局特征提取模块对去噪后的心电信号进行全局特征提取，得到每个心搏的全局特征，最后通过心搏分类器，根据多个心搏以及其对应的全局特征，使用心搏分类模型分别对每个心搏进行分类，得到每个心搏属于每一类的预测概率。通过本申请的心电信号处理***，能够快速地对心电信号进行处理，得到每个心搏属于每一类的预测概率，从而能够辅助医生对心电信号的分类，提高分类效率。

Description

心电信号处理***、方法、电子设备及可读存储介质
技术领域
本发明涉及信息处理技术领域，特别是涉及一种心电信号处理***、方法、电子设备及可读存储介质。
背景技术
心律失常通常指过慢、过快或不规则的心跳[8]。临床上对心律失常进行诊断时，通常会使用心电图作为诊断工具，借助心电图的形态将患者一段时间内的心跳进行分类，进而得出诊断结论。心电图(electrocardiogram,ECG)是一系列的时序电位信号，反映了在人体不同位点测量的生物电信号随时间的变化情况。
根据临床上的需求，可以指定不同粒度的分类标准。其中，美国AAMI(Associationfor the Advancement of Medical Instrumentation)针对心电图机的自动初步诊断***，提出了一个比较粗粒度的分类标准[9]。它将非致命性心律失常的心搏分为了五个类：非异常的(N)、室上性心律失常的(SVEB or S)、室性心律失常的(VEB or V)、融合性心搏(F)和其他类别(Q)。正确地将患者心搏分为以上各类，能让医生对患者的病情有一个整体的把握，是进行进一步精确诊断的基础。
然而，现有技术主要通过人力诊断，由于动态心电图数据量过大，会导致人力诊断成本较高，且对诊断人员的专业水平要求较高。
发明内容
鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种心电信号处理***、方法、电子设备及可读存储介质。
第一方面，本申请实施例提供了一种心电信号处理***，所述***包括：存储模块、预处理器和心搏分类器，所述存储模块与所述预处理器连接，所述预处理器与所述心搏分类器连接，所述预处理器包括去噪模块、分割模块和全局特征提取模块；
所述存储模块，用于存储原始心电信号；
所述去噪模块，用于从所述存储模块中读取所述原始心电信号并对所述原始心电信号进行去噪处理，得到去噪后的心电信号；
所述分割模块，用于对所述去噪后的心电信号进行心搏分割，得到多个心搏；
全局特征提取模块，用于对所述去噪后的心电信号进行全局特征提取，得到每个心搏的全局特征；
所述心搏分类器，用于根据所述多个心搏以及其对应的全局特征，使用心搏分类模型分别对每个心搏进行分类，得到每个心搏属于每一类的预测概率。
可选地，所述心搏分类模型包括卷积层、激活函数层、池化层、第一全连接层、第二全连接层、第三全连接层和softmax层；所述心搏分类器包括：
特征表示模块，用于通过卷积层、激活函数层和池化层对每个心搏进行特征提取，得到每个心搏的多个特征表示；
特征压缩和拼接模块，用于通过所述第一全连接层对所述每个心搏的多个特征表示进行压缩，得到每个心搏的紧密特征表示，并与对应心搏的所述全局特征进行拼接，得到每个心搏的拼接特征；
变换模块，用于通过所述第二全连接层对所述每个心搏的拼接特征进行变换，得到每个心搏的变换特征；
对齐和识别模块，用于通过所述第三全连接层和softmax层对所述变换特征进行对齐和识别，得到所述每个心搏属于每一类的概率。
可选地，所述***还包括模型训练器，所述模型训练器与心搏分类器连接，所述模型训练器包括：
样本获取和预处理模块，用于获取多段原始心电信号样本并对所述多段原始心电信号样本进行预处理，得到多个心搏样本，其中，所述多段原始心电信号样本为二导联动态心电图样本；
样本分类模块，用于将所述多个心搏样本分为预训练集和微调集；
预训练模块，用于使用所述预训练集对预设模型进行预训练，得到基准分类模型；
主动学习模块，用于使用所述微调集对所述基准分类模型进行主动学习与模型微调，得到所述心搏分类模型。
可选地，所述预训练模块包括：
调参子模块，用于将所述预训练集采用交叉验证的方式对预设模型进行调参，确定预设模型的超参数和模型规模；
预训练子模块，用于使用所述预训练集对已设定所述超参数和所述模型规模的预设模型进行预训练，得到基准分类模型。
可选地，所述主动学习模块包括：
第一微调集分类子模块，用于采用基于不确定性采样的方法对所述微调集进行采样，得到第一主动训练样本，并将所述第一主动训练样本分为第一微调子集和第一评估子集；
第一主动学习子模块，用于采用所述第一微调子集对所述基准分类模型进行多轮主动学习与模型微调；
第一评估和确定子模块，用于采用所述第一评估子集对每一轮主动学习与模型微调后的基准分类模型进行性能评估，直至误差值在预设轮数内均不再下降，停止所述主动学习与模型微调，将误差值最小的那一轮所对应的基准分类模型确定为所述心搏分类模型。
可选地，所述主动学习模块包括：
第二微调集分类子模块，用于将所述微调集分为微调子集和评估子集；
第二主动学习子模块，用于将所述微调子集采用基于委员会的方法对所述基准分类模型进行多轮主动学习与模型微调，所述预设模型的第一全连接层和第二全连接层均引入Dropout层，采用所述Dropout层产生委员会；
第二评估和确定子模块，用于采用所述评估子集对每一轮主动学习与模型微调后的基准分类模型进行性能评估，直至误差值在预设轮数内均不再下降，停止所述主动学习与模型微调，将误差值最小的那一轮所对应的基准分类模型确定为所述心搏分类模型。
可选地，在主动学习模块之前，还包括：
随机采样训练模块，用于将所述微调集采用随机采样的方法对所述基准分类模型进行训练和评估，直至所述基准分类模型的分类准确率大于预设值。
第二方面，本申请实施例还提供了一种心电信号处理方法，所述方法包括：
存储原始心电信号；
读取所述原始心电信号并对所述原始心电信号进行去噪处理，得到去噪后的心电信号；
对所述去噪后的心电信号进行心搏分割，得到多个心搏；
对所述去噪后的心电信号进行全局特征提取，得到每个心搏的全局特征；
根据所述多个心搏以及其对应的全局特征，使用心搏分类模型分别对每个心搏进行分类，得到每个心搏属于每一类的预测概率。
可选地，所述心搏分类模型包括卷积层、激活函数层、池化层、第一全连接层、第二全连接层、第三全连接层和softmax层；根据所述多个心搏以及其对应的全局特征，使用心搏分类模型分别对每个心搏进行分类，得到每个心搏属于每一类的预测概率，包括：
通过卷积层、激活函数层和池化层对每个心搏进行特征提取，得到每个心搏的多个特征表示；
通过所述第一全连接层对所述每个心搏的多个特征表示进行压缩，得到每个心搏的紧密特征表示，并与对应心搏的所述全局特征进行拼接，得到每个心搏的拼接特征；
通过所述第二全连接层对所述每个心搏的拼接特征进行变换，得到每个心搏的变换特征；
通过所述第三全连接层和softmax层对所述变换特征进行对齐和识别，得到所述每个心搏属于每一类的概率。
可选地，所述方法还包括：
获取多段原始心电信号样本并对所述多段原始心电信号样本进行预处理，得到多个心搏样本，其中，所述多段原始心电信号样本为二导联动态心电图样本；
将所述多个心搏样本分为预训练集和微调集；
使用所述预训练集对预设模型进行预训练，得到基准分类模型；
使用所述微调集对所述基准分类模型进行主动学习与模型微调，得到所述心搏分类模型。
可选地，使用所述预训练集对预设模型进行预训练，得到基准分类模型，包括：
将所述预训练集采用交叉验证的方式对预设模型进行调参，确定预设模型的超参数和模型规模；
使用所述预训练集对已设定所述超参数和所述模型规模的预设模型进行预训练，得到基准分类模型。
可选地，使用所述微调集对所述基准分类模型进行主动学习与模型微调，得到所述心搏分类模型，包括：
采用基于不确定性采样的方法对所述微调集进行采样，得到第一主动训练样本，并将所述第一主动训练样本分为第一微调子集和第一评估子集；
采用所述第一微调子集对所述基准分类模型进行多轮主动学习与模型微调；
采用采用所述第一评估子集对每一轮主动学习与模型微调后的基准分类模型进行性能评估，直至误差值在预设轮数内均不再下降，停止所述主动学习与模型微调，将误差值最小的那一轮所对应的基准分类模型确定为所述心搏分类模型。
可选地，使用所述微调集对所述基准分类模型进行主动学习与模型微调，得到所述心搏分类模型，包括：
采用基于委员会的方法对所述微调集进行采样，得到第二主动训练样本，并将所述第二主动训练样本分为微调子集和评估子集；其中，所述预设模型的第一全连接层和第二全连接层均引入Dropout层，采用所述Dropout层产生委员会；
采用所述第二微调子集对所述基准分类模型进行多轮主动学习与模型微调；
采用所述评估子集对每一轮主动学习与模型微调后的基准分类模型进行性能评估，直至误差值在预设轮数内均不再下降，停止所述主动学习与模型微调，将误差值最小的那一轮所对应的基准分类模型确定为所述心搏分类模型。
可选地，在使用所述微调集对所述基准分类模型进行主动学习与模型微调，得到所述心搏分类模型之前，还包括：
将所述微调集采用随机采样的方法对所述基准分类模型进行训练和评估，直至所述基准分类模型的分类准确率大于预设值。
第三方面，本申请实施例还提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时，实现如第二方面所述的心电信号处理方法的步骤。
第四方面，本申请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上存储有计算机程序，所述计算机程序被处理器执行时，实现如第二方面所述的心电信号处理方法的步骤。
本发明实施例包括以下优点：
在本发明实施例中，通过存储模块存储原始心电信号，再通过去噪模块读取原始心电信号并对其进行去噪处理，再通过分割模块对去噪后的心电信号进行进行心搏分割，得到多个心搏，再通过全局特征提取模块对去噪后的心电信号进行全局特征提取，得到每个心搏的全局特征，最后通过心搏分类器，根据多个心搏以及其对应的全局特征，使用心搏分类模型分别对每个心搏进行分类，得到每个心搏属于每一类的预测概率。通过本申请的心电信号处理***，能够快速地对心电信号进行处理，得到每个心搏属于每一类的预测概率，从而能够辅助医生对心电信号的分类，提高分类效率。
附图说明
图1是本发明的一种心电信号处理***的结构框图；
图2是本发明的一种心搏分类模型的网络结构图；
图3是本发明的一种心搏分类器的结构框图；
图4是本发明的另一种心电信号处理***的结构框图；
图5是本发明的一种心电信号处理方法的步骤流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
请参考图1，图1示出了本申请实施例的一种心电信号处理***的结构框图，如图1所示，所述***包括以下结构：存储模块101、预处理器102和心搏分类器103，所述存储模块101与所述预处理器102连接，所述预处理器102与所述心搏分类器103连接，所述预处理器102包括去噪模块1021、分割模块1022和全局特征提取模块1023；
所述存储模块101，用于存储原始心电信号。
在本实施方式中，存储模块用于存储原始心电信号，其中，原始心电信号由医护人员检测得到后并输入存储模块中进行存储。
第一存储模块101，用于存储电子病历信息，所述电子病历信息包括客观指标、现病史和体格检查结果。
所述去噪模块1021，用于从所述存储器中读取所述原始心电信号并对所述原始心电信号进行去噪处理，得到去噪后的心电信号。
在本实施方式中，采集到的原始心电信号主要包括两类比较严重的噪声：基线漂移、工频干扰。基线漂移是指由于人体呼吸等因素导致心电信号的基线发生变化，可以认为是原始信号叠加了一段低频噪声。工频干扰是指由于线缆等原因，不可避免地在原始信号上叠加了高频噪声。具体实施时，可采用中值滤波器去除基线漂移，使用中值滤波器，可过滤掉原始信号中的各特征波，得到原始信号的低频基线成分。最后，用原始信号减去得到的低频基线成分，就使原始信号的基线归一化，去除了基线漂移。实际操作中，首先使用宽为200ms的中值滤波器去除P波和QRS波群，再对结果使用宽为600ms的中值滤波器去除T波，即可得到去噪后的心电信号。对心电信号进行去噪处理，能够使后续的预测结果更加准确。
所述分割模块1022，用于对所述去噪后的心电信号进行心搏分割，得到多个心搏。
在本实施方式中，由于预测分类的单元为单个心搏，而一段心电信号包含有多个心搏，所以需要通过分割模块将去噪后的心电信号进行心搏分割，分割为多个心搏。具体实施时，首先提取出去噪后的心电信号的各个R峰的值，然后以R峰为基准，向左取0.278s的数据，并向右取0.556s的数据(在MIT-BIH心律失常数据库中，心电信号的采样频率是360Hz，即在R峰向左取100个点，向右取299个点，得到的信号长度为300)，将去噪后的心电信号分割为多个心搏。
全局特征提取模块1023，用于对所述去噪后的心电信号进行全局特征提取，得到每个心搏的全局特征。
在本实施方式中，对一个心搏进行分类，可以提取一些心搏的全局特征，以提高分类的准确率。具体实施时，对每个心搏提取了如下四个全局特征：(1)前向RR间期：该心搏R峰与前一个心搏R峰的距离；(2)后向RR间期：该心搏R峰与后一个心搏R峰的距离；(3)局部RR间期均值：该心搏前10个心搏的RR间期的平均值；(4)全局RR间期均值：该心搏前300个心搏的RR间期的平均值。
所述心搏分类器103，用于根据所述多个心搏以及其对应的全局特征，使用心搏分类模型分别对每个心搏进行分类，得到每个心搏属于每一类的预测概率。
在本实施方式中，心搏分类器采用训练好的心搏分类模型，根据多个心搏以及其对应的全局特征，对每个心搏进行分类，能够较为快速地得到每个心搏属于每一类的预测概率，可作为参考，以辅助医生对心搏的分类，从而提高心搏分类速率，降低人工成本。
在本发明实施例中，通过存储模块存储原始心电信号，再通过去噪模块读取原始心电信号并对其进行去噪处理，再通过分割模块对去噪后的心电信号进行进行心搏分割，得到多个心搏，再通过全局特征提取模块对去噪后的心电信号进行全局特征提取，得到每个心搏的全局特征，最后通过心搏分类器，根据多个心搏以及其对应的全局特征，使用心搏分类模型分别对每个心搏进行分类，得到每个心搏属于每一类的预测概率。通过本申请的心电信号处理***，能够快速地对心电信号进行处理，得到每个心搏属于每一类的预测概率，从而能够辅助医生对心电信号的分类，提高分类效率。
请参考图2和图3，其中，图2示出了本申请实施例的一种心搏分类模型的网络结构图，如图2所示，所述心搏分类模型包括卷积层、激活函数层、池化层、第一全连接层、第二全连接层、第三全连接层和softmax层。图3示出了本申请实施例的一种心搏分类器的结构框图，如图3所示，所述心搏分类器包括：
特征表示模块301，用于通过卷积层、激活函数层和池化层对每个心搏进行特征提取，得到每个心搏的多个特征表示。
在本实施方式中，使用的原始心电信号包含两个导联，经过预处理得到的每个心搏也包括两个导联，可以为MLII导联和V5导联，在通过特征表示模块进行特征提取时，卷积层、激活函数层和池化层分为两个子网络，分别对每个心搏进行特征提取，没有信息的融合，从而提取出每个心搏的多个特征表示。
特征压缩和拼接模块302，用于通过所述第一全连接层对所述每个心搏的多个特征表示进行压缩，得到每个心搏的紧密特征表示，并与对应心搏的所述全局特征进行拼接，得到每个心搏的拼接特征。
在本实施方式中，特征压缩和拼接模块在对每个心搏的多个特征表示进行处理时，先通过第一全连接层对每个心搏的多个特征表示进行压缩，得到每个心搏的紧密特征表示，再将每个心搏的紧密特征表示与对应心搏的全局特征进行拼接，得到每个心搏的拼接特征。在此处将每个心搏的全局特征与紧密特征表示进行拼接，能够使后续的分类结果更加准确。
变换模块303，用于通过所述第二全连接层对所述每个心搏的拼接特征进行变换，得到每个心搏的变换特征。
对齐和识别模块304，用于通过所述第三全连接层和softmax层对所述变换特征进行对齐和识别，得到所述每个心搏属于每一类的概率。
在本实施方式中，通过上述心搏分类器中的心搏分类模型对每个心搏以及其对应的全局特征进行处理，能够快速得到每个心搏属于每一类的概率，从而能够辅助医生对心电信号的分类，提高分类效率，节约人工成本。
请参考图4，图4示出了本申请实施例的另一种心电信号处理***的结构框图，如图4所示，所述***还包括模型训练器，所述模型训练器与心搏分类器连接，所述模型训练器包括：
样本获取和预处理模块401，用于获取多段原始心电信号样本并对所述多段原始心电信号样本进行预处理，得到多个心搏样本，其中，所述多段原始心电信号样本为二导联动态心电图样本。
在本实施方式中，需要获取多段原始心电信号样本，并对其进行预处理，以便于后续对预设模型进行训练，其预处理方式和上述预处理器中的去噪模块1021、分割模块1022和全局特征提取模块1023的处理方式相同，可参照上述具体解释，在此不再赘述，得到的多个心搏样本中，每个心搏样本均包含心搏和其对应的全局特征。
样本分类模块402，用于将所述多个心搏样本分为预训练集和微调集；
预训练模块403，用于使用所述预训练集对预设模型进行预训练，得到基准分类模型。
为了得到一个较好的模型训练效果，需要先使用一部分数据对预设模型进行预训练，在本实施方式中，将多个心搏样本分为预训练集和微调集，使用预训练集对预设模型进行预训练。
在一种可行的实施方式中，所述预训练模块包括：
调参子模块，用于将所述预训练集采用交叉验证的方式对预设模型进行调参，确定预设模型的超参数和模型规模；
预训练子模块，用于使用所述预训练集对已设定所述超参数和所述模型规模的预设模型进行预训练，得到基准分类模型。
在本实施方式中，为了充分利用数据，可以使用n折交叉验证的方法确定预设模型的超参数和模型规模，将数据平均划分成n份，每次取1份作为验证集，用另外(n-1)份数据进行模型的训练，可以得到一个评估指标，如此重复n次，取n次的平均值作为最终的评估指标。这样做可以相对充分地利用数据，并在使用Dropout时，可取值为0.5，增加训练的参数规模，最终，经交叉验证，可以选取第一次全连接层后得到的特征向量大小为50，并选取批大小为10。在此基础上，再使用全部的数据，按照这样的超参数及模型规模设定进行预训练，得到基准分类模型。
主动学习模块404，用于使用所述微调集对所述基准分类模型进行主动学习与模型微调，得到所述心搏分类模型。
在一种可行的实施方式中，所述主动学习模块包括：
第一微调集分类子模块，用于采用基于不确定性采样的方法对所述微调集进行采样，得到第一主动训练样本，并将所述第一主动训练样本分为第一微调子集和第一评估子集；
第一主动学习子模块，用于采用所述第一微调子集对所述基准分类模型进行多轮主动学习与模型微调；
第一评估和确定子模块，用于采用所述第一评估子集对每一轮主动学习与模型微调后的基准分类模型进行性能评估，直至误差值在预设轮数内均不再下降，停止所述主动学习与模型微调，将误差值最小的那一轮所对应的基准分类模型确定为所述心搏分类模型。
在本实施方式中，可将用于主动学习的微调集采用基于不确定性采样的方法进行采样，得到第一主动训练样本，具体地，对微调集进行不确定性采样，使用基准分类模型对微调集进行分类，使用边缘置信度判定法，这种方法考虑各类别中置信度最高的2个类别对应的概率p1、p2(p1≥p2)，p1-p2的值越低，样本信息量越大，可以记1-(p1-p2)为该样本的信息评分，从而从微调集中选出信息评分较大的作为第一主动训练样本，具体实施时，可以从微调集中选出信息评分前50％作为第一主动训练样本，然后将第一主动训练样本进行人工分类的标注，并将其分为第一微调子集和第一评估子集，对基准分类模型进行多轮训练和评估，具体实施时，可直至评估计算出的误差值在10轮预设轮数内均不再下降，停止所述主动学习与模型微调，将误差值最小的那一轮所对应的基准分类模型确定为所述心搏分类模型。
在本实施方式中，采用基于不确定性采样的方法对所述微调集进行采样，选出信息量较大的样本，得到第一主动训练样本，并对基准分类模型进行主动学习与模型微调，能够达到较好的主动学习效果。
在另一种可行的实施方式中，所述主动学习模块包括：
第二微调集分类子模块，用于采用基于委员会的方法对所述微调集进行采样，得到第二主动训练样本，并将所述第二主动训练样本分为微调子集和评估子集；其中，所述预设模型的第一全连接层和第二全连接层均引入Dropout层，采用所述Dropout层产生委员会；
第二主动学习子模块，用于采用所述第二微调子集对所述基准分类模型进行多轮主动学习与模型微调；
第二评估和确定子模块，用于采用所述评估子集对每一轮主动学习与模型微调后的基准分类模型进行性能评估，直至误差值在预设轮数内均不再下降，停止所述主动学习与模型微调，将误差值最小的那一轮所对应的基准分类模型确定为所述心搏分类模型。
在本实施方式中，可将用于主动学习的微调集采用基于委员会的方法进行采样，得到第二主动训练样本，具体地，有上述可知，心搏分类模型包括卷积层、激活函数层、池化层、第一全连接层、第二全连接层、第三全连接层和softmax层，则预设模型和预训练后的基准分类模型也包括卷积层、激活函数层、池化层、第一全连接层、第二全连接层、第三全连接层和softmax层，在预设模型的第一全连接层和第二全连接层均引入Dropout层，从而在使用基准分类模型对微调集进行分类时，采用Dropout层产生委员会，对同一个样本属于每一类会得到多个不同的概率，它们分类结果的差异性越大，该样本的信息量越大，并计算出该样本的信息评分，从而从微调集中选出信息评分较大的作为第二主动训练样本，具体实施时，可以从微调集中选出信息评分前50％作为第二主动训练样本，然后将第二主动训练样本进行人工分类的标注，并将其分为第二微调子集和第二评估子集，对基准分类模型进行多轮训练和评估，具体实施时，可直至评估计算出的误差值在10轮预设轮数内均不再下降，停止所述主动学习与模型微调，将误差值最小的那一轮所对应的基准分类模型确定为所述心搏分类模型。
在本实施方式中，采用基于委员会的方法对所述微调集进行采样，选出信息量较大的样本，得到第二主动训练样本，并对基准分类模型进行主动学习与模型微调，能够达到较好的主动学习效果。
在一种可行的实施方式中，在主动学习模块之前，还包括：
随机采样训练模块，用于将所述微调集采用随机采样的方法对所述基准分类模型进行训练和评估，直至所述基准分类模型的分类准确率大于预设值。
在本实施方式中，先通过随机采样的方法对所述基准分类模型进行训练和评估，使其具备一定的分类准确率，例如，使基准分类模型的分类准确率达到50％，再对基准分类模型进行主动学习与模型微调，能够获得更好的主动学习效果，使得到的心搏分类模型的分类更加准确。
基于同一发明构思，本申请一实施例提供一种心电信号处理方法，参考图5，图5是申请实施例的一种心电信号处理方法的步骤流程图，如图5所示，所述方法包括：
步骤S501：存储原始心电信号；
步骤S502：读取所述原始心电信号并对所述原始心电信号进行去噪处理，得到去噪后的心电信号；
步骤S503：对所述去噪后的心电信号进行心搏分割，得到多个心搏；
步骤S504：对所述去噪后的心电信号进行全局特征提取，得到每个心搏的全局特征；
步骤S505：根据所述多个心搏以及其对应的全局特征，使用心搏分类模型分别对每个心搏进行分类，得到每个心搏属于每一类的预测概率。
可选地，所述心搏分类模型包括卷积层、激活函数层、池化层、第一全连接层、第二全连接层、第三全连接层和softmax层；根据所述多个心搏以及其对应的全局特征，使用心搏分类模型分别对每个心搏进行分类，得到每个心搏属于每一类的预测概率，包括：
通过卷积层、激活函数层和池化层对每个心搏进行特征提取，得到每个心搏的多个特征表示；
通过所述第一全连接层对所述每个心搏的多个特征表示进行压缩，得到每个心搏的紧密特征表示，并与对应心搏的所述全局特征进行拼接，得到每个心搏的拼接特征；
通过所述第二全连接层对所述每个心搏的拼接特征进行变换，得到每个心搏的变换特征；
通过所述第三全连接层和softmax层对所述变换特征进行对齐和识别，得到所述每个心搏属于每一类的概率。
可选地，所述方法还包括：
获取多段原始心电信号样本并对所述多段原始心电信号样本进行预处理，得到多个心搏样本，其中，所述多段原始心电信号样本为二导联动态心电图样本；
将所述多个心搏样本分为预训练集和微调集；
使用所述预训练集对预设模型进行预训练，得到基准分类模型；
使用所述微调集对所述基准分类模型进行主动学习与模型微调，得到所述心搏分类模型。
可选地，使用所述预训练集对预设模型进行预训练，得到基准分类模型，包括：
将所述预训练集采用交叉验证的方式对预设模型进行调参，确定预设模型的超参数和模型规模；
使用所述预训练集对已设定所述超参数和所述模型规模的预设模型进行预训练，得到基准分类模型。
可选地，使用所述微调集对所述基准分类模型进行主动学习与模型微调，得到所述心搏分类模型，包括：
采用基于不确定性采样的方法对所述微调集进行采样，得到第一主动训练样本，并将所述第一主动训练样本分为第一微调子集和第一评估子集；
采用所述第一微调子集对所述基准分类模型进行多轮主动学习与模型微调；
采用采用所述第一评估子集对每一轮主动学习与模型微调后的基准分类模型进行性能评估，直至误差值在预设轮数内均不再下降，停止所述主动学习与模型微调，将误差值最小的那一轮所对应的基准分类模型确定为所述心搏分类模型。
可选地，使用所述微调集对所述基准分类模型进行主动学习与模型微调，得到所述心搏分类模型，包括：
采用基于委员会的方法对所述微调集进行采样，得到第二主动训练样本，并将所述第二主动训练样本分为微调子集和评估子集；其中，所述预设模型的第一全连接层和第二全连接层均引入Dropout层，采用所述Dropout层产生委员会；
采用所述第二微调子集对所述基准分类模型进行多轮主动学习与模型微调；
采用所述评估子集对每一轮主动学习与模型微调后的基准分类模型进行性能评估，直至误差值在预设轮数内均不再下降，停止所述主动学习与模型微调，将误差值最小的那一轮所对应的基准分类模型确定为所述心搏分类模型。
可选地，在使用所述微调集对所述基准分类模型进行主动学习与模型微调，得到所述心搏分类模型之前，还包括：
将所述微调集采用随机采样的方法对所述基准分类模型进行训练和评估，直至所述基准分类模型的分类准确率大于预设值。
基于同一发明构思，本申请另一实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时，实现上述任一实施例所述的方法中的步骤。
基于同一发明构思，本申请另一实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现如本申请上述任一实施例所述的方法中的步骤。
对于方法实施例而言，由于其与***实施例基本相似，所以描述的比较简单，相关之处参见***实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例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，本发明实施例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(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(***)、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终端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终端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终端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终端设备上，使得在计算机或其他可编程终端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终端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。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种心电信号处理***、一种心电信号处理方法、一种电子设备和一种计算机可读存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种心电信号处理***，其特征在于，所述***包括：存储模块、预处理器和心搏分类器，所述存储模块与所述预处理器连接，所述预处理器与所述心搏分类器连接，所述预处理器包括去噪模块、分割模块和全局特征提取模块；
所述存储模块，用于存储原始心电信号；
所述去噪模块，用于从所述存储模块中读取所述原始心电信号并对所述原始心电信号进行去噪处理，得到去噪后的心电信号；
所述分割模块，用于对所述去噪后的心电信号进行心搏分割，得到多个心搏；
所述全局特征提取模块，用于对所述去噪后的心电信号进行全局特征提取，得到每个心搏的全局特征；
所述心搏分类器，用于根据所述多个心搏以及其对应的全局特征，使用心搏分类模型分别对每个心搏进行分类，得到每个心搏属于每一类的预测概率。
2.根据权利要求1所述的***，其特征在于，所述心搏分类模型包括卷积层、激活函数层、池化层、第一全连接层、第二全连接层、第三全连接层和softmax层；所述心搏分类器包括：
特征表示模块，用于通过卷积层、激活函数层和池化层对每个心搏进行特征提取，得到每个心搏的多个特征表示；
特征压缩和拼接模块，用于通过所述第一全连接层对所述每个心搏的多个特征表示进行压缩，得到每个心搏的紧密特征表示，并与对应心搏的所述全局特征进行拼接，得到每个心搏的拼接特征；
变换模块，用于通过所述第二全连接层对所述每个心搏的拼接特征进行变换，得到每个心搏的变换特征；
对齐和识别模块，用于通过所述第三全连接层和softmax层对所述变换特征进行对齐和识别，得到所述每个心搏属于每一类的概率。
3.根据权利要求2所述的***，其特征在于，所述***还包括模型训练器，所述模型训练器与心搏分类器连接，所述模型训练器包括：
样本获取和预处理模块，用于获取多段原始心电信号样本并对所述多段原始心电信号样本进行预处理，得到多个心搏样本，其中，所述多段原始心电信号样本为二导联动态心电图样本；
样本分类模块，用于将所述多个心搏样本分为预训练集和微调集；
预训练模块，用于使用所述预训练集对预设模型进行预训练，得到基准分类模型；
主动学习模块，用于使用所述微调集对所述基准分类模型进行主动学习与模型微调，得到所述心搏分类模型。
4.根据权利要求3所述的***，其特征在于，所述预训练模块包括：
调参子模块，用于将所述预训练集采用交叉验证的方式对预设模型进行调参，确定预设模型的超参数和模型规模；
预训练子模块，用于使用所述预训练集对已设定所述超参数和所述模型规模的预设模型进行预训练，得到基准分类模型。
5.根据权利要求3所述的***，其特征在于，所述主动学习模块包括：
第一微调集分类子模块，用于采用基于不确定性采样的方法对所述微调集进行采样，得到第一主动训练样本，并将所述第一主动训练样本分为第一微调子集和第一评估子集；
第一主动学习子模块，用于采用所述第一微调子集对所述基准分类模型进行多轮主动学习与模型微调；
第一评估和确定子模块，用于采用所述第一评估子集对每一轮主动学习与模型微调后的基准分类模型进行性能评估，直至误差值在预设轮数内均不再下降，停止所述主动学习与模型微调，将误差值最小的那一轮所对应的基准分类模型确定为所述心搏分类模型。
6.根据权利要求3所述的***，其特征在于，所述主动学习模块包括：
第二微调集分类子模块，用于采用基于委员会的方法对所述微调集进行采样，得到第二主动训练样本，并将所述第二主动训练样本分为微调子集和评估子集；其中，所述预设模型的第一全连接层和第二全连接层均引入Dropout层，采用所述Dropout层产生委员会；
第二主动学习子模块，用于采用所述第二微调子集对所述基准分类模型进行多轮主动学习与模型微调；
第二评估和确定子模块，用于采用所述评估子集对每一轮主动学习与模型微调后的基准分类模型进行性能评估，直至误差值在预设轮数内均不再下降，停止所述主动学习与模型微调，将误差值最小的那一轮所对应的基准分类模型确定为所述心搏分类模型。
7.根据权利要求3所述的***，其特征在于，在主动学习模块之前，还包括：
随机采样训练模块，用于将所述微调集采用随机采样的方法对所述基准分类模型进行训练和评估，直至所述基准分类模型的分类准确率大于预设值。
8.一种心电信号处理方法，其特征在于，所述方法包括：
存储原始心电信号；
读取所述原始心电信号并对所述原始心电信号进行去噪处理，得到去噪后的心电信号；
对所述去噪后的心电信号进行心搏分割，得到多个心搏；
对所述去噪后的心电信号进行全局特征提取，得到每个心搏的全局特征；
根据所述多个心搏以及其对应的全局特征，使用心搏分类模型分别对每个心搏进行分类，得到每个心搏属于每一类的预测概率。
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求8中所述的心电信号处理方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现实现如权利要求8中所述的心电信号处理方法的步骤。
CN201911007785.4A 2019-10-22 2019-10-22 心电信号处理***、方法、电子设备及可读存储介质 Pending CN110693488A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911007785.4A CN110693488A (zh) 2019-10-22 2019-10-22 心电信号处理***、方法、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911007785.4A CN110693488A (zh) 2019-10-22 2019-10-22 心电信号处理***、方法、电子设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN110693488A true CN110693488A (zh) 2020-01-17

Family

ID=69200971

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911007785.4A Pending CN110693488A (zh) 2019-10-22 2019-10-22 心电信号处理***、方法、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN110693488A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112022142A (zh) * 2020-08-07 2020-12-04 上海联影智能医疗科技有限公司 心电信号类型识别方法、装置及介质
CN113712564A (zh) * 2020-05-12 2021-11-30 深圳市科瑞康实业有限公司 一种心电信号分类设备和方法
CN113712525A (zh) * 2020-05-21 2021-11-30 深圳市理邦精密仪器股份有限公司 一种生理参数处理方法、装置及医疗设备
CN113974649A (zh) * 2021-12-03 2022-01-28 上海交通大学医学院附属瑞金医院 心搏信号的分类的和用于心搏信号的分类的深度学习模型的训练的方法、设备和介质
CN116509414A (zh) * 2023-04-14 2023-08-01 中国科学院大学 一种心电信号去噪分类***及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109223002A (zh) * 2018-08-27 2019-01-18 上海铱硙医疗科技有限公司 自闭症患病预测方法、装置、设备及存储介质
CN109805924A (zh) * 2019-02-15 2019-05-28 济南大学 基于cnn的心电信号处理方法及心律不齐检测***

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109223002A (zh) * 2018-08-27 2019-01-18 上海铱硙医疗科技有限公司 自闭症患病预测方法、装置、设备及存储介质
CN109805924A (zh) * 2019-02-15 2019-05-28 济南大学 基于cnn的心电信号处理方法及心律不齐检测***

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
BINHANG YUAN ET AL: "Diagnosing Cardiac Abnormalities from 12-Lead Electrocardiograms Using Enhanced Deep Convolutional Neural Networks", 《MACHINE LEARNING AND MEDICAL ENGINEERING FOR CARDIOVASCULAR HEALTH AND INTRAVASCULAR IMAGING AND COMPUTER ASSISTED STENTING》 *
MELANIE DUCOFFE ET AL: "Active learning strategy for CNN combining", 《ESANN 2017 PROCEEDINGS, EUROPEAN SYMPOSIUM ON ARTIFICIAL NEURAL NETWORKS, COMPUTATIONAL INTELLIGENCE AND MACHINE LEARNING》 *
王珍钰: "基于不确定性的主动学习算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
邓力等: "基于心拍的端到端心律失常分类", 《南方医科大学学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113712564A (zh) * 2020-05-12 2021-11-30 深圳市科瑞康实业有限公司 一种心电信号分类设备和方法
CN113712564B (zh) * 2020-05-12 2023-09-01 深圳市科瑞康实业有限公司 一种心电信号分类设备和方法
CN113712525A (zh) * 2020-05-21 2021-11-30 深圳市理邦精密仪器股份有限公司 一种生理参数处理方法、装置及医疗设备
CN113712525B (zh) * 2020-05-21 2024-07-12 深圳市理邦精密仪器股份有限公司 一种生理参数处理方法、装置及医疗设备
CN112022142A (zh) * 2020-08-07 2020-12-04 上海联影智能医疗科技有限公司 心电信号类型识别方法、装置及介质
CN112022142B (zh) * 2020-08-07 2023-10-17 上海联影智能医疗科技有限公司 心电信号类型识别方法、装置及介质
CN113974649A (zh) * 2021-12-03 2022-01-28 上海交通大学医学院附属瑞金医院 心搏信号的分类的和用于心搏信号的分类的深度学习模型的训练的方法、设备和介质
CN116509414A (zh) * 2023-04-14 2023-08-01 中国科学院大学 一种心电信号去噪分类***及方法
CN116509414B (zh) * 2023-04-14 2023-12-15 中国科学院大学 一种心电信号去噪分类***及方法

Similar Documents

Publication Publication Date Title
CN110693488A (zh) 心电信号处理***、方法、电子设备及可读存储介质
CN109171712B (zh) 心房颤动识别方法、装置、设备及计算机可读存储介质
JP6367442B2 (ja) 診断信号の変換に基づいた疾病解析のための方法及びシステム
CN111449645B (zh) 心电图心拍智能分类识别方法
CN109303559B (zh) 一种基于梯度提升决策树的动态心电图心拍分类方法
CN111107785A (zh) 使用短的单导联ecg记录来检测心房颤动
CN113057648A (zh) 一种基于复合lstm结构的ecg信号分类方法
CN110522442B (zh) 多导联心电异常检测装置、电子设备和存储介质
CN109948396B (zh) 一种心拍分类方法、心拍分类装置及电子设备
CN112426160A (zh) 一种心电信号类型识别方法及装置
CN110840443B (zh) 心电信号处理方法、心电信号处理装置和电子设备
CN112869716B (zh) 一种基于双通道卷积神经网络的脉搏特征识别***及方法
CN113128585B (zh) 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法
CN115120248B (zh) 基于直方图的自适应阈值r峰检测、心律分类方法及装置
CN115337018B (zh) 基于整体动态特征的心电信号分类方法及***
Mahesh et al. ECG arrhythmia classification based on logistic model tree
CN115281688A (zh) 一种基于多模态深度学习的心脏肥大多标签检测***
CN111568410A (zh) 一种基于12导联和卷积神经网络的心电数据分类方法
CN113647959B (zh) 一种心电波形信号的波形识别方法、装置及设备
KR20140097039A (ko) 자동 결합 뉴런 네트워크를 이용한 심장부정맥 분류 방법 및 장치
Sultana et al. MSVM-based classifier for cardiac arrhythmia detection
Rai et al. Classification of ECG waveforms for abnormalities detection using DWT and back propagation algorithm
Ghosal et al. Ecg beat quality assessment using self organizing map
CN113712525B (zh) 一种生理参数处理方法、装置及医疗设备
CN111345815B (zh) 一种心电信号中qrs波的检测方法、装置、设备和存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200117

RJ01 Rejection of invention patent application after publication