CN111488793A - 心电信号分类方法、装置、电子设备和存储介质 - Google Patents
心电信号分类方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111488793A CN111488793A CN202010108321.9A CN202010108321A CN111488793A CN 111488793 A CN111488793 A CN 111488793A CN 202010108321 A CN202010108321 A CN 202010108321A CN 111488793 A CN111488793 A CN 111488793A
- Authority
- CN
- China
- Prior art keywords
- heartbeat
- layer
- heart beat
- packet
- package
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 230000033764 rhythmic process Effects 0.000 claims abstract description 93
- 230000002159 abnormal effect Effects 0.000 claims abstract description 66
- 238000000718 qrs complex Methods 0.000 claims abstract description 51
- 238000004806 packaging method and process Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 100
- 238000012706 support-vector machine Methods 0.000 claims description 67
- 230000000747 cardiac effect Effects 0.000 claims description 65
- 230000006870 function Effects 0.000 claims description 55
- 230000015654 memory Effects 0.000 claims description 52
- 238000013528 artificial neural network Methods 0.000 claims description 41
- 230000002457 bidirectional effect Effects 0.000 claims description 37
- 238000011176 pooling Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 19
- 238000000354 decomposition reaction Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 13
- 238000004880 explosion Methods 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 13
- 230000008034 disappearance Effects 0.000 claims description 11
- 230000007774 longterm Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 abstract description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 208000019622 heart disease Diseases 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000002861 ventricular Effects 0.000 description 3
- 206010006578 Bundle-Branch Block Diseases 0.000 description 2
- 208000000418 Premature Cardiac Complexes Diseases 0.000 description 2
- 101100268446 Pseudomonas putida (strain ATCC 47054 / DSM 6125 / CFBP 8728 / NCIMB 11950 / KT2440) proR gene Proteins 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000001746 atrial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010003658 Atrial Fibrillation Diseases 0.000 description 1
- 206010003671 Atrioventricular Block Diseases 0.000 description 1
- 206010006580 Bundle branch block left Diseases 0.000 description 1
- 206010006582 Bundle branch block right Diseases 0.000 description 1
- 208000020446 Cardiac disease Diseases 0.000 description 1
- 208000001871 Tachycardia Diseases 0.000 description 1
- 208000008131 Ventricular Flutter Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 208000006218 bradycardia Diseases 0.000 description 1
- 230000036471 bradycardia Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 201000001715 left bundle branch hemiblock Diseases 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 201000007916 right bundle branch block Diseases 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000006794 tachycardia Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请实施例涉及一种心电信号分类方法、装置、电子设备和存储介质。本申请实施例的心电信号分类方法包括:获取心电信号;从心电信号检测出QRS复合波;对检测出QRS复合波的心电信号进行单心拍切割后打包成多个心拍包;将所述多个心拍包输入至基于多示例学习的分类器模型,得到每个心拍包的类型识别结果,其中,所述基于多示例学习的分类器模型在分类时,将每个所述心拍包作为一个示例包,并将所述心拍包中的每个心拍信号作为所述示例包中的一个示例,所述类型识别结果包括正常节律类型和异常节律类型。本申请实施例的心电信号分类方法有效降低了人工标注心拍进行机器学习分类时所花费的时间和人力成本。
Description
技术领域
本申请实施例涉及心电信号分类技术领域,特别是涉及一种心电信号分类方法、装置、电子设备和存储介质。
背景技术
心脏疾病是一种常见的心内科疾病,由心脏结构受损或功能异常引起。心脏疾病可以通过心电图(ECG)信号进行检测,心电图是由心肌产生的生物电变化的波形记录,通过24小时动态心电图可监测到心脏出现的偶尔异常,可以更准确的判断是否有心脏疾病。传统的心电信号需要受过训练的心脏病医生标记的心跳注释以进行分类。但是,在连续的心电图监测过程中,心电图记录至少长达24小时,并且包含100,000~200,000个心拍波形,这一数量通常过于庞大而难以被心脏病专家一一标记。
自动分类是心电图信号监测中必不可少的功能,在临床实践中,可以通过提取基于临床症状的各种类型的特征,然后通过机器学习技术对特征进行分类,但是,这些监督式学习方法该技术要求训练集中每一个心拍都要被一位或多位具有专业领域知识的经验丰富的心脏病专家进行注释,造成巨大的标注成本。
发明内容
本申请实施例提供了一种心电信号分类方法、装置、电子设备和存储介质,有效降低了人工标注心拍进行机器学习分类时所花费的时间和人力成本。
第一方面,本申请实施例提供了一种心电信号分类方法,包括步骤:
获取心电信号;
从所述心电信号检测出QRS复合波;
对检测出所述QRS复合波的心电信号进行单心拍切割,并将切割后的心拍信号打包成多个心拍包,其中,每个所述心拍包中包括多个心拍信号;
将所述多个心拍包输入至基于多示例学习的分类器模型,得到每个心拍包的类型识别结果,其中,所述基于多示例学习的分类器模型在分类时,将每个所述心拍包作为一个示例包,并将所述心拍包中的每个心拍信号作为所述示例包中的一个示例,所述类型识别结果包括正常节律类型和异常节律类型。
可选的,所述分类器模型为端到端的第一深度网络模型,所述将所述多个心拍包输入至基于多示例学习的分类器模型,得到每个心拍包的心电异常节律类型识别结果,包括:
将所述多个心拍包输入至所述第一深度网络模型;
通过所述第一深度网络模型提取所述多个心拍包中每个心拍的特征,并根据所述每个心拍的特征进行分类,得到每个心拍包的类型识别结果。
所述分类器模型为端到端的第一深度网络模型时,从特征提取到分类,都处于一个网络结构,便于整体调参,从而学到更具表征性的特征,增加模型的泛化能力。
可选的,在一个具体的实现中,所述第一深度网络模型包括依次排列的以下层次结构:
第一输入层,用于输入所述多个心拍包;
第一卷积层,用于对所述多个心拍包进行特征提取,并输出特征图像;
第一最大池化层,用于对所述第一卷积层输出的特征图像进行压缩;
第一深度残差网络层,用于对所述第一最大池化层输出的特征图像进行进一步的特征提取,从而避免梯度消失或者梯度***的问题;
第一双向长短期记忆人工神经网络层,用于对所述第一深度残差网络层的输出进行进一步的特征提取,同时编码前向信息和后向信息;
第一Flatten层,用于将所述第一双向长短期记忆人工神经网络层的输出压缩为一维数组;
第一Dense层,用于对所述第一双向长短期记忆人工神经网络层的输出进行全部连接,实现所提取特征的非线性组合;
第一Dropout子层,用于根据设定参数,关闭所述第一Dense层上的一定比例的神经元,以减少网络的过度拟合;
第一全连接层,用于使用softmax激活函数,对所述第一Dropout层的输出进行全连接操作;
第一输出层,用于基于所述第一全连接层的输出,得到每个心拍包中,每个心拍被正确识别类型的概率,并根据该心拍包中具有最高概率被正确识别类型的心拍,得到该心拍包的类型识别结果,所述类型识别结果包括正常节律类型和异常节律类型的种类。
可选的,所述第一深度网络模型的训练过程包括如下步骤:
获取第一训练集,其中,所述第一训练集中包括多个具有类型标签的心拍包,每个所述心拍包中具有多个心拍;
将所述第一训练集输入至所述第一深度网络模型中,获得每个心拍包中,每个心拍被正确识别类型的概率;
根据每个心拍包中具有最高概率被正确识别类型的心拍,确定所述第一深度网络模型的损失函数;
根据所述损失函数,训练所述第一深度网络模型中的参数值。
在每个包中,仅将具有最高概率被正确分类的实例(心拍)计入损失函数。可以大大降低正包中负类心拍对分类准确率的影响。
可选的,在另一种实现方式中,所述分类器模型包括第二深度网络模型和支持向量机,所述将所述多个心拍包输入至基于多示例学习的分类器模型,得到每个心拍包的心电异常节律类型识别结果,包括:
将所述多个心拍包输入至所述第二深度网络模型;
通过所述第二深度网络模型提取所述多个心拍包中每个心拍的特征,并将所提取的特征输入至所述支持向量机;
通过所述支持向量机对所述每个心拍的特征进行分类,得到每个心拍包的类型识别结果。
可选的,在一个具体的实现中,所述第二深度网络模型包括:
第二输入层,用于输入所述多个心拍包;
第二卷积层,用于对所述多个心拍包进行特征提取,并输出特征图像;
第二最大池化层,用于对所述第二卷积层输出的特征图像进行压缩;
第二深度残差网络层,用于对所述第二最大池化层输出的特征图像进行进一步的特征提取,从而避免梯度消失或者梯度***的问题;
第二双向长短期记忆人工神经网络层,用于对所述第二深度残差网络层的输出进行进一步的特征提取,同时编码前向信息和后向信息;
第二Flatten层,用于将所述第二双向长短期记忆人工神经网络层的输出压缩为一维数组。
可选的,所述第二深度网络模型还包括:
第二Dense层,用于在训练所述第二深度网络模型时,对所述第二双向长短期记忆人工神经网络层的输出进行全部连接,实现所提取特征的非线性组合;
第二Dropout子层,用于根据设定参数,关闭所述第二Dense层上的一定比例的神经元,以减少网络的过度拟合;
第二全连接层,用于使用softmax激活函数,对所述第二Dropout层的输出进行全连接操作;
第二输出层,用于基于所述第二全连接层的输出,得到每个心拍包中,每个心拍的心电异常节律类型识别结果,并根据该心拍包中最高概率被正确识别的心拍,得到该心拍包的类型识别结果。
可选的,所述支持向量机的训练过程包括:
获取第二训练集,其中,所述第二训练集中包括多个具有心电异常节律类型标签的心拍包,每个所述心拍包中具有多个心拍;
将所述第二训练集输入至训练好的所述第二深度网络模型,得到特征集,其中,所述特征集包括多个特征包,每个特征包由从每个所述心拍包中所提取的每个心拍的特征所组成;
将所述特征集输入所述支持向量机,以训练所述支持向量机的判别函数的参数,使得每个正包中的至少一个示例在正平面,负包中的所有示例在负平面,其中,若所述心拍包中至少一个心拍的类型为异常节律,则该心拍包为正包,否则该心拍包为正包。
在训练所述支持向量机的判别函数的参数时,使得每个正包中的至少一个示例在正平面,负包中的所有示例在负平面,可以大大降低正包中负类心拍对分类准确率的影响。
可选的,所述支持向量机的模型参数的训练过程包括:
获取第二训练集,其中,所述第二训练集中包括多个具有心电异常节律类型标签的心拍包,每个所述心拍包中具有多个心拍;
将所述第二训练集输入至训练好的所述第二深度网络模型,得到特征集,其中,所述特征集包括多个特征包,每个特征包由从每个所述心拍包中所提取的每个心拍的特征所组成;
将所述特征集输入所述支持向量机,并将每个所述心拍包中具有最大可能为正示例或负示例的心拍到超平面的距离转化为该心拍包到超平面的距离,以训练所述支持向量机的判别函数的参数,其中,若所述心拍的类型为异常节律,则该心拍为负示例,否则该心拍为正示例。
在训练所述支持向量机的判别函数的参数时,仅将每个所述心拍包中具有最大可能为正示例或负示例的心拍到超平面的距离转化为该心拍包到超平面的距离,可以大大降低正包中负类心拍对分类准确率的影响。
可选的,为更准确的检测出QRS复合波,从所述心电信号检测出QRS复合波,包括:
对所述心电信号进行离散小波分解,获得预设数量的小波分解系数;
获取包含较大信息和较大能量的小波系数;
根据所述包含较大信息和较大能量的小波系数从所述心电信号中检测出QRS复合波。
第二方面,本申请实施例提供了一种心电信号分类装置,所述装置包括:
心电信号获取模块,用于获取心电信号;
QRS复合波提取模块,用于从所述心电信号检测出QRS复合波;
切割模块,用于对检测出所述QRS复合波的心电信号进行单心拍切割,并将切割后的心拍信号打包成多个心拍包,其中,每个心拍包中包括多个心拍信号;
分类模块,用于将所述多个心拍包输入至基于多示例学习的分类器模型,得到每个心拍包的类型识别结果,其中,所述基于多示例学习的分类器模型在分类时,将每个所述心拍包作为一个示例包,并将所述心拍包中的每个心拍信号作为所述示例包中的一个示例,所述类型识别结果包括正常节律类型和异常节律类型。
第三方面,本申请实施例提供了一种电子设备,包括至少一个存储器以及至少一个处理器;
所述存储器,用于存储个或多个程序;
当所述一个或多个程序被所述至少一个处理器执行,使得所述一个或多个处理器实现如本申请实施例第一方面所述的心电信号分类方法。
第四方面,本申请实施例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程序,所述计算机程序被处理器执行时实现如本申请实施例第一方面所述的心电信号分类方法的步骤。
在本申请实施例中,将检测出QRS复合波的心电信号打包成多个心拍包,每个心拍包作为一个示例包通过基于多示例学习的分类器模型,从而确定每个心拍包的类型为正常节律类型或异常节律类型,与现有技术相比,由于在多示例学习中,多示例包的类型标签是已知的,但每个示例的标签是未知的,因此,在训练所述分类器模型时,不需要将训练集中每一个心拍进行注释,而仅需要使用现有的带标签注释的心拍包,从而通过基于多示例学习的分类器模型自动发现异常节律的心拍,有效降低了人工标注心拍所花费的时间和人力成本,提高了临床诊断中心电异常节律识别的效率。
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
附图说明
图1为实施例一提供的一种心电信号分类方法的流程图;
图2为在一个示例性实施例中对心电信号进行预处理的示意图;
图3为在一个示例性实施例中示出的QRS复合波的示意图;
图4为在一个示例性实施例中示出的心拍切割的示意图;
图5为实施例二提供的一种心电信号分类方法的流程图;
图6为实施例二中检测QRS复合波的流程图;
图7为实施例二中的第一深度网络模型的结构示意图;
图8为实施例二中第一深度网络模型的训练步骤流程图;
图9为实施例三提供的一种心电信号分类方法的流程图;
图10为实施例三中的第二深度网络模型和支持向量机的结构示意图;
图11为实施例三中支持向量机训练步骤流程图;
图12为实施例三中支持向量机训练步骤流程图;
图13为实施例四提供的一种心电信号分类装置的结构图;
图14为实施例五提供的一种电子设备的结构图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确,所描述的实施例仅仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本申请实施例保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和 /或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中,需要理解的是,术语“第一”、“第二”、“第三”等仅用于区别类似的对象,而不必用于描述特定的顺序或先后次序,也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
此外,在本申请的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在 A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
实施例一
图1为实施例一提供的一种心电信号分类方法的流程图,根据图1所示,实施例一中的心电信号分类方法包括如下步骤:
步骤S101:获取心电信号。
所述心电信号为从体表记录的心脏每一心动周期所产生的电活动变化的信号,通常通过心电图(ECG)通过图形化的方式记录。在本申请实施例中,可以是利用多通道同步数据采集和存储人体心脏信号、背景噪声和心电信号。例如,可以通过心电导联和传感器采集心电信号,由模数转换器把人体生理参数的模拟信号转化为数字信号,由存储器存储。
如图2所示,在一个例子中,在采集到心电信号后,还可以包括信号预处理的步骤,以获得消除噪声的所述心电信号。例如可以通过模拟电路对采集的心电信号进行阻抗匹配、过滤、放大等处理。由于实际采集获得的心电信号包含各种噪声,波形粗糙,不光滑,导致QRS 复合波中蕴含的有用信息难以提取,因此,还可以采用低通数字滤波器(巴特沃斯滤波器) 进行低通滤波,滤除高频噪声(300Hz以上),得到滤波后的心电信号。
步骤S102:从所述心电信号检测出QRS复合波。
所述QRS复合波代表两个心室兴奋传播过程的电位变化,随着心室各部位先后去极化形成多个瞬间综合心电向量,在额面导联轴上的投影,便是心电图肢体导联的QRS复合波。如图3所示,典型的QRS复合波包括三个相连的波动,第一个向下的波为Q波,继Q波后一个狭高向上的波为R波,与R波相连接的又一个向下的波为S波,由于这三个波紧密相连且总时间不超过0.10秒,故合称QRS复合波。QRS复合波所占时间代表心室肌兴奋传播所需时间,正常人在0.06~0.10秒之间。
在本申请实施例中,检测QRS复合波可以是利用小波变换或傅里叶变换等方法实现。
步骤S103:对检测出所述QRS复合波的心电信号进行单心拍切割,并将切割后的心拍信号打包成多个心拍包,其中,每个心拍包中包括多个心拍信号。
一条心电信号中通常包括多个连续心拍波形,在持续时间为24小时的心电信号中,则可能包含大于100,000个心拍波形,在本申请实施例中,首先将检测出所述QRS复合波的心电信号进行单心拍切割,得到多个单心拍的波形。
在一个具体的实现中,如图4所示,检测到QRS波之后,基于各个基准点对新心电信号进行心拍切割,过程具体如下:为每个心跳(心拍)生成心跳段,其中包括preR段(从给定心跳到给定心跳和先前心跳的中心)和proR段(从给定心跳到给定心跳和后一个心跳的中心)。将preR片段和proR片段的长度设为0.1s。如果段的长度超过,则执行截断,否则,执行零填充。
在本申请实施例中,一个心拍包相当于一条包括多个心拍信号的心电信号,其中,多个心拍信号被分别切割为单心拍信号。
步骤S104:将所述多个心拍包输入至基于多示例学习的分类器模型,得到每个心拍包的类型识别结果。
其中,所述基于多示例学习的分类器模型在分类时,将每个所述心拍包作为一个示例包,并将所述心拍包中的每个心拍信号作为所述示例包中的一个示例,所述类型识别结果包括正常节律类型和异常节律类型。
其中,识别结果为异常节律类型时,所述的异常节律类型可以是包括以下任一类型:左束支阻滞、右束支阻滞、房性早搏、室性早搏、房颤、室颤、房扑、室扑、心肌梗死、ST段抬高/下降、房性逸博、室性逸博、心动过速、心动过缓、房室传导阻滞等。
所述分类器模型基于多示例学习框架(multiple-instancelearning),在多示例学习框架中,训练集由一组具有分类标签的多示例包(bag)组成,每个多示例包(bag)含有若干个没有分类标签的示例(instance)。如果多示例包(bag)至少含有一个正示例(instance),则该包被标记为正类多示例包(正包)。如果多示例包的所有示例都是负示例,则该包被标记为负类多示例包(负包)。多示例学习的目的是,通过对具有分类标签的多示例包的学习,建立多示例分类器,并将该分类器应用于未知多示例包的分类预测。
在一些例子中,所述分类器模型可以是非线性分类模型,例如可以是基于深度学习的深度网络模型,还可以是通过深度网络模型与支持向量机的结合来实现,例如可以是通过深度网络模型提取心拍包中,每个心拍的特征,所述支持向量机用于根据每个心拍的特征,对每个心拍包的类型进行识别。
所述分类器模型根据模型的不同实现方式可以有不同的工作原理,例如,所述分类器模型可以通过提取得到所述多个心拍包中每个心拍的特征;并根据每个心拍的特征,得到每个心拍包的类型识别结果,其中,每个心拍包的所述类型识别结果基于该心拍包中具有最高概率被正确识别类型的心拍的类型识别结果确定。
所述分类器模型为基于深度学习的深度网络模型时,其网络结构可以是包括依次排列的以下层次结构:输入层、卷积层、最大池化层、深度残差网络(ResNet)层、双向长短期记忆人工神经网络(BiLSTM)层、Flatten层、Dense层、Dropout子层、全连接层和输出层。
其中,所述输入层,用于输入所述多个心拍包。
所述卷积层,用于对所述多个心拍包进行特征提取,并输出特征图像。
所述最大池化层,用于对所述卷积层输出的特征图像进行压缩。
所述深度残差网络层,用于对所述最大池化层输出的特征图像进行进一步的特征提取,从而避免梯度消失或者梯度***的问题。
所述双向长短期记忆人工神经网络层,对所述深度残差网络层的输出进行进一步的特征提取,同时编码前向信息和后向信息,用于处理长时依赖并解决消失的梯度问题。
所述Flatten层,用于将所述双向长短期记忆人工神经网络层的输出压缩为一维数组。
所述Dense层,用于对所述双向长短期记忆人工神经网络层的输出进行全部连接,实现所提取特征的非线性组合。
所述Dropout子层,用于根据设定参数,关闭所述Dense层上的一定比例的神经元,以减少网络的过度拟合。
所述第一全连接层,用于使用softmax激活函数,对所述第一Dropout层的输出进行全连接操作。
所述第一输出层,用于基于所述第一全连接层的输出,得到每个心拍包中,每个心拍被正确识别类型的概率,并根据该心拍包中具有最高概率被正确识别类型的心拍,得到该心拍包的类型识别结果,所述类型识别结果包括正常节律类型和异常节律类型的种类。
在其他例子中,所述Dense层、Dropout子层、全连接层和输出层所实现的分类功能也可以是通过支持向量机替代。
在本申请实施例中,将检测出QRS复合波的心电信号打包成多个心拍包,每个心拍包作为一个示例包通过基于多示例学习的分类器模型,从而确定每个心拍包的类型为正常节律类型或异常节律类型,与现有技术相比,由于在多示例学习中,多示例包的类型标签是已知的,但每个示例的标签是未知的,因此,在训练所述分类器模型时,不需要将训练集中每一个心拍进行注释,而仅需要使用现有的带标签注释的心拍包,从而通过基于多示例学习的分类器模型自动发现异常节律的心拍,有效降低了人工标注心拍所花费的时间和人力成本,提高了临床诊断中心电异常节律识别的效率。
实施例二
图5为实施例二提供的一种心电信号分类方法的流程图,根据图5所示,实施例二中的心电信号分类方法包括如下步骤:
步骤S501:获取心电信号。
步骤S502:从所述心电信号检测出QRS复合波。
具体的,如图6所示,所述从所述心电信号检测出QRS复合波可以包括如下子步骤:
步骤S5021:对所述心电信号进行离散小波分解,获得预设数量的小波分解系数。
在一个例子中,可以是采用采用Daubechies4(Db4)小波对预处理后的心电信号进行离散小波分解。所述小波分解系数由小波分解的层数确定,在一个优选的例子中,小波分解层数 N=7,得到小波分解系数D1、D2、D3、D4、D5、D6、D7和A7。
步骤S5022:获取包含较大信息和较大能量的小波系数。
在小波分解的层数为7时,小波系数D3、D4和D5包含较大信息和较大能量,因此采用小波系数D3、D4和D5进行QRS复合波检测。
步骤S5023:根据所述包含较大信息和较大能量的小波系数从所述心电信号中检测出 QRS复合波。
步骤S503:对检测出所述QRS复合波的心电信号进行单心拍切割,并将切割后的心拍信号打包成多个心拍包,其中,每个心拍包中包括多个心拍信号。
步骤S504:将所述多个心拍包输入至端到端的第一深度网络模型,得到每个心拍包的类型识别结果。
所述第一网络模型为端到端的深度网络模型,所述第一网络模型在训练过程中,从输入端(输入数据)到输出端会得到一个预测结果,与真实结果相比较会得到一个误差,这个误差会在模型中的每一层传递(反向传播),每一层的表示都会根据这个误差来做调整,直到模型收敛或达到预期的效果才结束,中间所有的操作都包含在神经网络内部,不再分成多个模块处理。由原始数据输入,到结果输出,从输入端到输出端,中间的神经网络自成一体,省去了在每一个独立学习任务执行之前所做的数据标注。
在一个例子中,所述将所述多个心拍包输入至基于多示例学习的分类器模型,得到每个心拍包的心电异常节律类型识别结果,包括:
将所述多个心拍包输入至所述第一深度网络模型;
通过所述第一深度网络模型提取所述多个心拍包中每个心拍的特征,并根据所述每个心拍的特征进行分类,得到每个心拍包的类型识别结果。
可选的,如图7所示,图7为一个例子中的第一深度网络模型的结构示意图,在图7中,所述第一深度网络模型包括依次排列的以下层次结构:第一输入层、第一卷积层、第一最大池化层、第一深度残差网络(ResNet)层、第一双向长短期记忆人工神经网络(BiLSTM)层、第一Flatten层、第一Dense层、第一Dropout子层、第一全连接层和第一输出层。
所述第一输入层,用于输入所述多个心拍包。
所述第一卷积层,用于对所述多个心拍包进行特征提取,并输出特征图像。具体的,卷积层采用ReLU激活函数,采用批标准化(batch normalization)进行数据标准化处理,避免梯度***问题。
所述第一最大池化层,用于对所述第一卷积层输出的特征图像进行压缩。
所述第一深度残差网络层,用于对所述第一最大池化层输出的特征图像进行进一步的特征提取,从而避免梯度消失或者梯度***的问题。所述第一深度残差网络层由残差块(Residual block)构建,通过残差块的堆叠,形成不同层数的网络,残差块通过跨层链接的方式,使得某一层的输出,跨过若干层后直接作为后面某一层的输入,从而保证层数较深的深度网络仍然具有较高的识别准确性和收敛性。优选的,所述第一深度残差网络层设置有四个残差块,每个残差块的卷积核大小和通道数分别设置为11和64。
所述第一双向长短期记忆人工神经网络层,用于对所述第一深度残差网络层的输出进行进一步的特征提取,同时编码前向信息和后向信息,用于处理长时依赖并解决消失的梯度问题。在一个例子中,所述第一双向长短期记忆人工神经网络层中的神经元数为32。
所述第一Flatten层,用于将所述第一双向长短期记忆人工神经网络层的输出压缩为一维数组。
所述第一Dense层,用于对所述第一双向长短期记忆人工神经网络层的输出进行全部连接,实现所提取特征的非线性组合。
所述第一Dropout子层,用于根据设定参数,关闭所述第一Dense层上的一定比例的神经元,以减少网络的过度拟合。
所述第一全连接层,用于使用softmax激活函数,对所述第一Dropout层的输出进行全连接操作。
所述第一输出层,用于基于所述第一全连接层的输出,得到每个心拍包中,每个心拍被正确识别类型的概率,并根据该心拍包中具有最高概率被正确识别类型的心拍,得到该心拍包的类型识别结果,所述类型识别结果包括正常节律类型和异常节律类型的种类。
在图7中,所述第一深度网络模型为一个基于多示例学习的端到端的神经网络模型,其输入为多个心拍构成的心拍包,输出为该心拍包属于正常节律类型或异常节律类型的具体种类。
因此,与前述的实施例不同的是,实施例二通过上述的第一深度网络模型,不仅可以识别出每个心拍包的类型属于正常节律或异常节律,还可以识别出每个心拍包的异常节律类型的具体种类。
如图8所示,在一个例子中,所述第一深度网络模型的端到端的训练过程包括如下步骤:
步骤S801:获取第一训练集,其中,所述第一训练集中包括多个具有类型标签的心拍包,每个所述心拍包中具有多个心拍,所述类型标签包括正常节律类型或异常节律类型的具体种类。
在多示例学习框架中,一个包被赋予正标记,当且仅当包中至少有一个示例为正示例,一个包被标记为负包,当且仅当包中所有示例均为负示例,即如果一个心拍包中其中一个示例(即心拍)属于某一异常节律类型,其他心拍为正常,则该心拍包的类型被标记为该异常节律类型,只有当心拍包中所有心拍都为正常节律类型时,该心拍包的类型才属于正常节律类型。在本申请实施例中,一个训练集的心拍包的获取,不需要对心拍包中每个心拍信号进行识别,而是直接使用现有的多条已标记心电异常节律类型的心电信号即可。
定义输入心电信号的样本集即第一训练集为Γ={Xm,m=1,...,M},每一个心拍包Xm可以看作是一系列心拍构成的集合Θ(Xm)={xmn,n=1,...,N},K为心电异常节律的类型总数,l∈{1,...,K}表示一个心拍包的类型标签。第一深度网络模型学习算法的目的就是找到一个函数O,函数O 为心拍包Xm到标签l的映射。函数O包含两个部分,特征提取器F(x)和分类器C(x)。在第一深度网络模型中,第一dense层之前的所有层相当于特征提取器F(x),而第一dense层和第一全连接层相当于分类器C(x)。通常将第一dense层和第一全连接层统称为逻辑回归(LR)层。
步骤S802:将所述第一训练集输入至所述第一深度网络模型中,获得每个心拍包中,每个心拍被正确识别类型的概率。
步骤S803:根据每个心拍包中具有最高概率被正确识别类型的心拍,确定所述第一深度网络模型的损失函数。
在图7中,分类器C(x)的输出是一个k维向量R(k),k∈{1,...,K}表示属于Xm每一类k的概率,用条件概率表示如下:
R(k)=P(k|Xm;W)
其中,W表示所述第一深度网络模型的超参数,包括第一卷积层滤波器、第一残差网络层的滤波器、第一双向长短时记忆循环神经网络层的滤波器、第一Flatten层的节点、第一 Dense层的节点、第一全连接层的节点和所有层的偏移量。最终预测的标签l由R(k)中最大元素(具有最高概率的类)的自变量确定。
那么结合多示例学习思想的损失函数L2(W)如下:
其中,P(lm|xmn;W)表示心拍xmn第一深度网络模型的超参数W下被正确分类为类别lm的概率,在每个心拍包中,仅将具有最高概率被正确分类的实例(心拍)计入损失函数L2(W)。
步骤S804:根据所述损失函数,训练所述第一深度网络模型中的参数值。
令Rmn为心拍xmn在第一深度网络模型中的输出向量。Rmn的lm个分量代表xmn被正确分类的概率。对于每个训练集中的心拍包Xm,只有在Rmn的第lm个分量处具有最高响应的心拍才对损失函数有贡献。在反向传播期间驱动第一深度网络模型网络超参数W的更新。因此,在第一深度网络模型训练完成后,会自动发现每个心拍包中的最具区分性的心拍。
在一个例子中,由于训练集可能太大而无法一次加载到内存中,因此可以在每次迭代时使用一小批样本来训练模型。参数优化通过具有动量项β和权重衰减项γ的随机梯度下降实现的。对于每一个权重w∈W,在时间步t处的更新定义为:
w(t)=w(t-1)+Δw(t)
其中,δw(t-1)是当前一小批样本的权重的梯度。
上述训练过程在训练集和验证集上进行。直到验证子集的错误率小于阈值ξ或达到预定义的最大迭代数。此外,如果训练无法达到较小的误差,则训练可能会更早地停止,因为在经过多次患者迭代之后,当前的误差最小。
在实施例二中,所述第一深度网络模型为端到端的深度网络模型,从特征提取到分类,都处于一个网络结构,便于整体调参,从而学到更具表征性的特征,增加了分类器模型的泛化能力;采用多示例学习方法,每个原始训练的输入为由多个实例(心拍)组成的心拍包,在每个心拍包中,仅将具有最高概率被正确分类的实例(心拍)计入损失函数,可以大大降低心拍包中正常心拍对分类准确率的影响,得到更准确的心电异常节律类型的具体种类的识别结果,且在训练时,不需要将训练集中每一个心拍进行注释,而仅需要使用现有的带标签注释的心拍包,从而通过基于多示例学习的分类器模型自动发现异常节律的心拍,有效降低了人工标注心拍所花费的时间和人力成本,提高了临床诊断中心电异常节律识别的效率。
实施例三
图9为实施例三提供的一种心电信号分类方法的流程图,根据图9所示,实施例三中的心电信号分类方法包括如下步骤:
步骤S901:获取心电信号。
步骤S902:从所述心电信号检测出QRS复合波。
步骤S903:对检测出所述QRS复合波的心电信号进行单心拍切割,并将切割后的心拍信号打包成。
步骤S904:将所述多个心拍包输入至所述第二深度网络模型;
步骤S905:通过所述第二深度网络模型提取所述多个心拍包中每个心拍的特征,并将所提取的特征输入至所述支持向量机。
步骤S906:通过所述支持向量机对所述每个心拍的特征进行分类,得到每个心拍包的类型识别结果。
如图10所示,图10为实施例三中的第二深度网络模型和支持向量机的结构示意图,与实施例二不同的是,实施例三中分类器C(x)是通过支持向量机(SVM)实现的,通过所述支持向量机可以识别出每个心拍包的类型是正常节律类型或异常节律类型。
在实施例三中,需要对深度网络模型和支持向量机进行分别训练。
在一个例子中,所述第二深度网络模型与实施例二中的第一深度网络模型的结构相同,包括用去提取特征的第二输入层、第二卷积层、第二最大池化层、第二深度残差网络(ResNet) 层、第二双向长短期记忆人工神经网络(BiLSTM)层和第二Flatten层,以及用于训练上述用于提取特征的模块参数的、第二Dense层、第二Dropout子层、第二全连接层和第二输出层,通过对第二深度网络模型进行训练,以调整到最优参数后提取得到第二深度网络模型的最优特征集合。
其中,所述第二输入层,用于输入所述多个心拍包。
所述第二卷积层,用于对所述多个心拍包进行特征提取,并输出特征图像。具体的,卷积层采用ReLU激活函数,采用批标准化(batch normalization)进行数据标准化处理,避免梯度***问题。
所述第二最大池化层,用于对所述第二卷积层输出的特征图像进行压缩。
所述第二深度残差网络层,用于对所述第二最大池化层输出的特征图像进行进一步的特征提取,从而避免梯度消失或者梯度***的问题。所述第二深度残差网络层由残差块(Residual block)构建,通过残差块的堆叠,形成不同层数的网络,残差块通过跨层链接的方式,使得某一层的输出,跨过若干层后直接作为后面某一层的输入,从而保证层数较深的深度网络仍然具有较高的识别准确性和收敛性。优选的,所述第二深度残差网络层设置有四个残差块,每个残差块的卷积核大小和通道数分别设置为11和64。
所述第二双向长短期记忆人工神经网络层,用于对所述第二深度残差网络层的输出进行进一步的特征提取,同时编码前向信息和后向信息,用于处理长时依赖并解决消失的梯度问题。在一个例子中,所述第二双向长短期记忆人工神经网络层中的神经元数为32。
所述第二Flatten层,用于将所述第二双向长短期记忆人工神经网络层的输出压缩为一维数组。
所述第二Dense层,用于在训练所述第二深度网络模型时,对所述第二双向长短期记忆人工神经网络层的输出进行全部连接,实现所提取特征的非线性组合。
所述第二Dropout子层,用于根据设定参数,关闭所述第二Dense层上的一定比例的神经元,以减少网络的过度拟合。
所述第二全连接层,用于使用softmax激活函数,对所述第二Dropout层的输出进行全连接操作。
所述第二输出层,用于基于所述第二全连接层的输出,得到每个心拍包中,每个心拍被正确识别类型的概率,并根据该心拍包中具有最高概率被正确识别类型的心拍,得到该心拍包的类型识别结果,所述类型识别结果包括正常节律类型和异常节律类型的种类。
如图11所示,在一个实施例中,深度网络模型训练完成后,所述支持向量机的模型参数的训练过程包括:
步骤S1101:获取第二训练集,其中,所述第二训练集中包括多个具有心电异常节律类型标签的心拍包,每个所述心拍包中具有多个心拍;
步骤S1102:将所述第二训练集输入至训练好的所述第二深度网络模型,得到特征集,其中,所述特征集包括多个特征包,每个特征包由从每个所述心拍包中所提取的每个心拍的特征所组成;
步骤S1103:将所述特征集输入所述支持向量机,以训练所述支持向量机的判别函数的参数,使得每个正包中的至少一个示例在正平面,负包中的所有示例在负平面,其中,若所述心拍包中至少一个心拍的类型为异常节律,则该心拍包为正包,否则该心拍包为正包。
在一个具体的例子中,定义输入心电信号的样本集即第二训练集Γ={Xi,i=1,...,M},每一个心拍包Xi可以看作是一系列心拍构成的集合Θ(Xi)={xij,j=1,...,N},这些心拍的特征构成支持向量机的训练样本集。根据标准假设(在多示例学习框架中,一个包被赋予正标记,当且仅当包中至少有一个示例为正示例,一个包被标记为负包,当且仅当包中所有示例均为负示例),包标签YI(即一条心电信号)和示例标签yi(即心电信号内的每一个心拍)的关系如下:
yi=-1,s.t.YI=-1
那么结合多示例学习思想的支持向量机的目标函数如下:
s.t.yi(wTxi+b)≥1-ξi,i=1,...,N
ξi≥0,i=1,...,N
其中,wXi+b为支持向量机的分类超平面,w为分类超平面的法向量,b为分类超平面的偏移,C表示惩罚参数,ξ表示松弛因子。
在上述目标函数的公式中,原始训练心电信号被视为由多个示例(心拍)组成的心拍包。当且仅当包中至少有一个示例为正示例,一个包被标记为负包,当且仅当包中所有示例均为负示例,即如果一个心拍包中其中一个示例(即心拍)属于某一心电异常节律类型,其他心拍为正常,则该心拍包的类型被标记为异常节律类型,只有当心拍包中所有心拍都为正常时,该心拍包的类型才属于正常类型。也就是说,要寻找一个线性判别函数,使得每个正包中的至少一个示例在正半面,负包中的所有示例在负平面。
上述支持向量机的训练过程如下:
初始化:yi=YI,对于所有i∈I
重复:
①通过输入数据和初始化label计算分类超平面的法向量w和分类超平面的偏移b;
②计算正包中所有示例的输出fi=Wxi+b;
③更新xi的label,yi=sgn(fi),其中,sgn为符号函数;
④重复上述步骤,直到xi的label不在改变,停止训练;
输出(w,b)。
在另一个具体的例子中,如图12所示,深度网络模型训练完成后,所述支持向量机的模型参数的训练过程包括:
步骤S1201:获取第二训练集,其中,所述第二训练集中包括多个具有心电异常节律类型标签的心拍包,每个所述心拍包中具有多个心拍;
步骤S1202:将所述第二训练集输入至训练好的所述第二深度网络模型,得到特征集,其中,所述特征集包括多个特征包,每个特征包由从每个所述心拍包中所提取的每个心拍的特征所组成;
步骤S1203:将所述特征集输入所述支持向量机,并将每个所述心拍包中具有最大可能为正示例或负示例的心拍到超平面的距离转化为该心拍包到超平面的距离,以训练所述支持向量机的判别函数的参数,其中,若所述心拍的类型为异常节律,则该心拍为负示例,否则该心拍为正示例。
在本实施例中,心拍包与超平面的间隔rI如下:
rI=YI maxi∈I(wTxi+b)
其中,yi为示例标签,wXi+b为支持向量机的分类超平面,该公式表示,使正、负包之间的分界面最大化,它认为包应该由正(或负)包内具有最大可能概率为正(或负)示例的示例来代表,构造带包约束的支持向量机目标函数。
那么,对于一个负包YI=-1,maxi∈I(wTxi+b)即表示距离超平面最近的示例,那么针对负包中的每一个示例,引入约束条件:
-(wTxi+b)≥1,i∈I
对于一个正包YI=1,即表示距离超平面最远的示例,那么引入选择变量S(I)∈I,S(I)表示正包中的最大正示例的下标,xS(I)表示正包中的最大正示例,那么约束条件变为:
(wTxS(I)+b)≥1,i=1,...,N
因此,结合多示例学习思想的支持向量机目标函数如下:
s.t.YI=-1Λ-(wTxi+b)≥1-ξI,i∈I
YI=1Λ-(wTxS(I)+b)≥1-ξI
ξI≥0
其中,wXi+b为支持向量机的分类超平面,w为分类超平面的法向量,b为分类超平面的偏移,C表示惩罚参数,ξ表示松弛因子。
上述支持向量机的训练过程如下:
初始化:XI=∑i∈Ixi/|I|,对于每个正包BI;
重复如下步骤:
①通过输入数据计算分类超平面的法向量w和分类超平面的偏移b;
②计算正包中所有示例的输出fi=WXi+b;
③S(I)=argmaxi∈I(fi),更新XI=xS(I);
④重复上述步骤,直到S(I)不在改变,停止训练;
输出(w,b)。
在实施例三中,采用多示例学***面,负包中的所有示例在负平面,或仅将每个所述心拍包中具有最大可能为正示例或负示例的心拍到超平面的距离转化为该心拍包到超平面的距离,可以大大降低心拍包中正常心拍对分类准确率的影响,并判定出该心拍包为正常节律类型或异常节律类型,且在训练时,不需要将训练集中每一个心拍进行注释,而仅需要使用现有的带标签注释的心拍包,从而通过所述第二深度网络模型和所述支持向量机自动发现异常节律的心拍,有效降低了人工标注心拍所花费的时间和人力成本,提高了临床诊断中心电异常节律识别的效率。
实施例四
图13为实施例四提供的一种心电信号分类装置的结构示意图,如图13所示,所述心电信号分类装置1300包括:
心电信号获取模块1301,用于获取心电信号;
QRS复合波提取模块1302,用于从所述心电信号检测出QRS复合波;
切割模块1303,用于对检测出所述QRS复合波的心电信号进行单心拍切割,并将切割后的心拍信号打包成多个心拍包,其中,每个心拍包中包括多个心拍信号;
分类模块1304,用于将所所述多个心拍包输入至基于多示例学习的分类器模型,得到每个心拍包的类型识别结果,其中,所述基于多示例学习的分类器模型在分类时,将每个所述心拍包作为一个示例包,并将所述心拍包中的每个心拍信号作为所述示例包中的一个示例,所述类型识别结果包括正常节律类型和异常节律类型。
在本申请实施例中,将检测出QRS复合波的心电信号打包成多个心拍包,每个心拍包作为一个示例包通过基于多示例学习的分类器模型,从而确定每个心拍包的类型为正常节律类型或异常节律类型,与现有技术相比,由于在多示例学习中,多示例包的类型标签是已知的,但每个示例的标签是未知的,从而在训练所述分类器模型时,不需要将训练集中每一个心拍进行注释,而仅需要使用现有的带标签注释的心拍包,从而通过基于多示例学习的分类器模型自动发现异常节律的心拍,有效降低了人工标注心拍所花费的时间和人力成本,提高了临床诊断中心电异常节律识别的效率。
在一个示例性的实施例中,所述分类器模型为端到端的第一深度网络模型,所述分类模块1304包括:
第一输入单元,用于将所述多个心拍包输入至所述第一深度网络模型;
第一分类单元,用于通过所述第一深度网络模型提取所述多个心拍包中每个心拍的特征,并根据所述每个心拍的特征进行分类,得到每个心拍包的类型识别结果。
在一个示例性的实施例中,所述第一深度网络模型包括依次排列的以下层次结构:
第一输入层,用于输入所述多个心拍包;
第一卷积层,用于对所述多个心拍包进行特征提取,并输出特征图像;
第一最大池化层,用于对所述第一卷积层输出的特征图像进行压缩;
第一深度残差网络层,用于对所述第一最大池化层输出的特征图像进行进一步的特征提取,从而避免梯度消失或者梯度***的问题;
第一双向长短期记忆人工神经网络层,用于对所述第一深度残差网络层的输出进行进一步的特征提取,同时编码前向信息和后向信息;
第一Flatten层,用于将所述第一双向长短期记忆人工神经网络层的输出压缩为一维数组;
第一Dense层,用于对所述第一双向长短期记忆人工神经网络层的输出进行全部连接,实现所提取特征的非线性组合;
第一Dropout子层,用于根据设定参数,关闭所述第一Dense层上的一定比例的神经元,以减少网络的过度拟合;
第一全连接层,用于使用softmax激活函数,对所述第一Dropout层的输出进行全连接操作;
第一输出层,用于基于所述第一全连接层的输出,得到每个心拍包中,每个心拍被正确识别类型的概率,并根据该心拍包中具有最高概率被正确识别类型的心拍,得到该心拍包的类型识别结果,所述类型识别结果包括正常节律类型和异常节律类型的种类。
在一个示例性的实施例中,所述心电信号分类装置还包括第一训练模块,所述第一训练模块包括:
第一获取单元,用于获取第一训练集,其中,所述第一训练集中包括多个具有类型标签的心拍包,每个所述心拍包中具有多个心拍;
第一概率获取单元,用于将所述第一训练集输入至所述第一深度网络模型中,获得每个心拍包中,每个心拍被正确识别类型的概率;
第一损失函数获取单元,用于根据每个心拍包中具有最高概率被正确识别类型的心拍,确定所述第一深度网络模型的损失函数;
第一参数训练单元,用于根据所述损失函数,训练所述第一深度网络模型中的参数值。
在一个示例性的实施例中,所述分类器模型包括第二深度网络模型和支持向量机,所述分类模块1304还包括:
输入单元,用于将所述多个心拍包输入至所述第二深度网络模型;
特征提取单元,用于通过所述第二深度网络模型提取所述多个心拍包中每个心拍的特征,并将所提取的特征输入至所述支持向量机;
分类单元,用于通过所述支持向量机对所述每个心拍的特征进行分类,得到每个心拍包的类型识别结果。
在一个示例性的实施例中,所述第二深度网络模型包括:
第二输入层,用于输入所述多个心拍包;
第二卷积层,用于对所述多个心拍包进行特征提取,并输出特征图像;
第二最大池化层,用于对所述第二卷积层输出的特征图像进行压缩;
第二深度残差网络层,用于对所述第二最大池化层输出的特征图像进行进一步的特征提取,从而避免梯度消失或者梯度***的问题;
第二双向长短期记忆人工神经网络层,用于对所述第二深度残差网络层的输出进行进一步的特征提取,同时编码前向信息和后向信息;
第二Flatten层,用于将所述第二双向长短期记忆人工神经网络层的输出压缩为一维数组。
在一个示例性的实施例中,所述第二深度网络模型还包括:
第二Dense层,用于在训练所述第二深度网络模型时,对所述第二双向长短期记忆人工神经网络层的输出进行全部连接,实现所提取特征的非线性组合;
第二Dropout子层,用于根据设定参数,关闭所述第二Dense层上的一定比例的神经元,以减少网络的过度拟合;
第二全连接层,用于使用softmax激活函数,对所述第二Dropout层的输出进行全连接操作;
第二输出层,用于基于所述第二全连接层的输出,得到每个心拍包中,每个心拍的心电异常节律类型识别结果,并根据该心拍包中最高概率被正确识别的心拍,得到该心拍包的类型识别结果。
在一个示例性的实施例中,所述心电信号分类装置1300还包括第二训练模块,所述第二训练模块包括:
第二训练集获取单元,用于获取第二训练集,其中,所述第二训练集中包括多个具有心电异常节律类型标签的心拍包,每个所述心拍包中具有多个心拍;
第二特征获取单元,用于将所述第二训练集输入至训练好的所述第二深度网络模型,得到特征集,其中,所述特征集包括多个特征包,每个特征包由从每个所述心拍包中所提取的每个心拍的特征所组成;
第二训练单元,用于将所述特征集输入所述支持向量机,以训练所述支持向量机的判别函数的参数,使得每个正包中的至少一个示例在正平面,负包中的所有示例在负平面,其中,若所述心拍包中至少一个心拍的类型为异常节律,则该心拍包为正包,否则该心拍包为正包。
在一个示例性的实施例中,所述第二训练模块还包括:
第三训练单元,用于将所述特征集输入所述支持向量机,并将每个所述心拍包中具有最大可能为正示例或负示例的心拍到超平面的距离转化为该心拍包到超平面的距离,以训练所述支持向量机的判别函数的参数,其中,若所述心拍的类型为异常节律,则该心拍为负示例,否则该心拍为正示例。
在一个示例性的实施例中,所述心电信号分类装置1300还包括:
预处理模块,所述预处理模块用于从所述心电信号检测出QRS复合波之前,对所述心电信号进行预处理,以获得消除噪声的所述心电信号。
在一个示例性的实施例中,所述QRS复合波提取模块1302包括:
小波分解单元,用于对所述心电信号进行离散小波分解,获得预设数量的小波分解系数;
小波系数获取单元,获取包含较大信息和较大能量的小波系数;
检测单元,用于根据所述包含较大信息和较大能量的小波系数从所述心电信号中检测出 QRS复合波。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
实施例五
如图14所示,与前述心电信号分类方法相对应,本申请实施例还提供一种心电信号分类装置应用的电子设备,所述电子设备可以具体为计算机、包含心电模块的单导联心电贴、多体征设备、监护仪器、手机、平板电脑、交互式智能平板等。所述电子设备将检测出QRS复合波的心电信号打包成多个心拍包,每个心拍包作为一个示例包通过基于多示例学习的分类器模型,从而确定每个心拍包的类型为正常节律类型或异常节律类型,与现有技术相比,由于在多示例学习中,多示例包的类型标签是已知的,但每个示例的标签是未知的,不需要将训练集中每一个心拍进行注释,而仅需要使用现有的带标签注释的心拍包,从而通过基于多示例学习的分类器模型自动发现异常节律的心拍,有效降低了人工标注心拍所花费的时间和人力成本,提高了临床诊断中心电异常节律识别的效率。
如图14所示,图14是本申请实施例根据一示例性实施例示出的一种电子设备的结构框图。
该电子设备包括:处理器1400、存储器1401、具有触摸功能的显示屏1402、输入装置 1403、输出装置1404以及通信装置1405。该电子设备中处理器1400的数量可以是一个或者多个,图14中以一个处理器1400为例。该电子设备中存储器1401的数量可以是一个或者多个,图14中以一个存储器1401为例。该电子设备的处理器1400、存储器1401、显示屏1402、输入装置1403、输出装置1204以及通信装置1405可以通过总线或者其他方式连接,图14 中以通过总线连接为例。实施例中,电子设备可以是计算机、手机、平板电脑、交互式智能平板、PDA(Personal Digital Assistant,个人数字助理)、电子书阅读器、多媒体播放器等。本申请实施例中,以电子设备为智能交互平板为例,进行描述。
存储器1401作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本申请实施例任意实施例所述的资源调用方法程序,以及本申请实施例任意实施例所述的资源调用方法对应的程序指令/模块。存储器1401可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器1401可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器1401可进一步包括相对于处理器1400远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
显示屏1402可为具有触摸功能的显示屏,其可以是电容屏、电磁屏或者红外屏。一般而言,显示屏1402用于根据处理器1400的指示显示数据,还用于接收作用于显示屏1402的触摸操作,并将相应的信号发送至处理器1400或其他装置。可选的,当显示屏1402为红外屏时,其还包括红外触摸框,该红外触摸框设置在显示屏1402的四周,其还可以用于接收红外信号,并将该红外信号发送至处理器1400或者其他设备。在其他例子中,显示屏1402也可为不具有触摸功能的显示屏。
通信装置1405,用于与其他设备建立通信连接,其可以是有线通信装置和/或无线通信装置。
输入装置1403可用于接收输入的数字或者字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入,还可以是用于获取图像的摄像头以及获取音频数据的拾音设备。输出装置1404可以包括扬声器等音频设备。需要说明的是,输入装置1203和输出装置 1204的具体组成可以根据实际情况设定。
处理器1400通过运行存储在存储器1401中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述任一实施例所记载的心电信号分类方法。
具体的,在一个示例性的实施例中,处理器1400执行存储器1401中存储的一个或多个程序时,具体实现如下操作:
获取心电信号;
从所述心电信号检测出QRS复合波;
对检测出所述QRS复合波的心电信号进行单心拍切割,并将切割后的心拍信号打包成多个心拍包,其中,每个所述心拍包中包括多个心拍信号;
将所述多个心拍包输入至基于多示例学习的分类器模型,得到每个心拍包的类型识别结果,其中,所述基于多示例学习的分类器模型在分类时,将每个所述心拍包作为一个示例包,并将所述心拍包中的每个心拍信号作为所述示例包中的一个示例,所述类型识别结果包括正常节律类型和异常节律类型。
在上述实施例的基础上,所述分类器模型为端到端的第一深度网络模型,所述将所述多个心拍包输入至基于多示例学习的分类器模型,得到每个心拍包的心电异常节律类型识别结果,包括:
将所述多个心拍包输入至所述第一深度网络模型;
通过所述第一深度网络模型提取所述多个心拍包中每个心拍的特征,并根据所述每个心拍的特征进行分类,得到每个心拍包的类型识别结果。
在上述实施例的基础上,所述第一深度网络模型包括依次排列的以下层次结构:
第一输入层,用于输入所述多个心拍包;
第一卷积层,用于对所述多个心拍包进行特征提取,并输出特征图像;
第一最大池化层,用于对所述第一卷积层输出的特征图像进行压缩;
第一深度残差网络层,用于对所述第一最大池化层输出的特征图像进行进一步的特征提取,从而避免梯度消失或者梯度***的问题;
第一双向长短期记忆人工神经网络层,用于对所述第一深度残差网络层的输出进行进一步的特征提取,同时编码前向信息和后向信息;
第一Flatten层,用于将所述第一双向长短期记忆人工神经网络层的输出压缩为一维数组;
第一Dense层,用于对所述第一双向长短期记忆人工神经网络层的输出进行全部连接,实现所提取特征的非线性组合;
第一Dropout子层,用于根据设定参数,关闭所述第一Dense层上的一定比例的神经元,以减少网络的过度拟合;
第一全连接层,用于使用softmax激活函数,对所述第一Dropout层的输出进行全连接操作;
第一输出层,用于基于所述第一全连接层的输出,得到每个心拍包中,每个心拍被正确识别类型的概率,并根据该心拍包中具有最高概率被正确识别类型的心拍,得到该心拍包的类型识别结果,所述类型识别结果包括正常节律类型和异常节律类型的种类。
在上述实施例的基础上,所述第一深度网络模型的训练过程包括如下步骤:
获取第一训练集,其中,所述第一训练集中包括多个具有类型标签的心拍包,每个所述心拍包中具有多个心拍;
将所述第一训练集输入至所述第一深度网络模型中,获得每个心拍包中,每个心拍被正确识别类型的概率;
根据每个心拍包中具有最高概率被正确识别类型的心拍,确定所述第一深度网络模型的损失函数;
根据所述损失函数,训练所述第一深度网络模型中的参数值。
在上述实施例的基础上,所述分类器模型包括第二深度网络模型和支持向量机,所述将所述多个心拍包输入至基于多示例学习的分类器模型,得到每个心拍包的心电异常节律类型识别结果,包括:
将所述多个心拍包输入至所述第二深度网络模型;
通过所述第二深度网络模型提取所述多个心拍包中每个心拍的特征,并将所提取的特征输入至所述支持向量机;
通过所述支持向量机对所述每个心拍的特征进行分类,得到每个心拍包的类型识别结果。
在上述实施例的基础上,所述第二深度网络模型包括:
第二输入层,用于输入所述多个心拍包;
第二卷积层,用于对所述多个心拍包进行特征提取,并输出特征图像;
第二最大池化层,用于对所述第二卷积层输出的特征图像进行压缩;
第二深度残差网络层,用于对所述第二最大池化层输出的特征图像进行进一步的特征提取,从而避免梯度消失或者梯度***的问题;
第二双向长短期记忆人工神经网络层,用于对所述第二深度残差网络层的输出进行进一步的特征提取,同时编码前向信息和后向信息;
第二Flatten层,用于将所述第二双向长短期记忆人工神经网络层的输出压缩为一维数组。
在上述实施例的基础上,所述第二深度网络模型还包括:
第二Dense层,用于在训练所述第二深度网络模型时,对所述第二双向长短期记忆人工神经网络层的输出进行全部连接,实现所提取特征的非线性组合;
第二Dropout子层,用于根据设定参数,关闭所述第二Dense层上的一定比例的神经元,以减少网络的过度拟合;
第二全连接层,用于使用softmax激活函数,对所述第二Dropout层的输出进行全连接操作;
第二输出层,用于基于所述第二全连接层的输出,得到每个心拍包中,每个心拍的心电异常节律类型识别结果,并根据该心拍包中最高概率被正确识别的心拍,得到该心拍包的类型识别结果。
在上述实施例的基础上,所述支持向量机的训练过程包括:
获取第二训练集,其中,所述第二训练集中包括多个具有心电异常节律类型标签的心拍包,每个所述心拍包中具有多个心拍;
将所述第二训练集输入至训练好的所述第二深度网络模型,得到特征集,其中,所述特征集包括多个特征包,每个特征包由从每个所述心拍包中所提取的每个心拍的特征所组成;
将所述特征集输入所述支持向量机,以训练所述支持向量机的判别函数的参数,使得每个正包中的至少一个示例在正平面,负包中的所有示例在负平面,其中,若所述心拍包中至少一个心拍的类型为异常节律,则该心拍包为正包,否则该心拍包为正包。
在上述实施例的基础上,所述支持向量机的训练过程包括:
获取第二训练集,其中,所述第二训练集中包括多个具有心电异常节律类型标签的心拍包,每个所述心拍包中具有多个心拍;
将所述第二训练集输入至训练好的所述第二深度网络模型,得到特征集,其中,所述特征集包括多个特征包,每个特征包由从每个所述心拍包中所提取的每个心拍的特征所组成;
将所述特征集输入所述支持向量机,并将每个所述心拍包中具有最大可能为正示例或负示例的心拍到超平面的距离转化为该心拍包到超平面的距离,以训练所述支持向量机的判别函数的参数,其中,若所述心拍的类型为异常节律,则该心拍为负示例,否则该心拍为正示例。
在上述实施例的基础上,从所述心电信号检测出QRS复合波之前,还包括:
对所述心电信号进行预处理,以获得消除噪声的所述心电信号。
在上述实施例的基础上,从所述心电信号检测出QRS复合波,包括:
对所述心电信号进行离散小波分解,获得预设数量的小波分解系数;
获取包含较大信息和较大能量的小波系数;
根据所述包含较大信息和较大能量的小波系数从所述心电信号中检测出QRS复合波。
上述设备中各个组件的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于设备实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的设备实施例仅仅是示意性的,其中所述作为分离部件说明的组件可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。上述提供的电子设备可用于执行上述任意实施例提供的资源调用方法,具备相应的功能和有益效果。上述设备中各个组件的功能和作用的实现过程具体详见上述资源调用方法中对应步骤的实现过程,在此不再赘述。
实施例六
本申请实施例还提供了一种计算机可读存储介质,其上储存有计算机程序,该计算机程序被处理器执行时实现上述任意一个实施例所述的心电信号分类方法。
本发明可采用在一个或多个其中包含有程序代码的存储介质(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。计算机可读储存介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其它数据。计算机的存储介质的例子包括但不限于:相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其它类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其它内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其它光学存储、磁盒式磁带,磁带磁磁盘存储或其它磁性存储设备或任何其它非传输介质,可用于存储可以被计算设备访问的信息。本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请实施例的其它实施方案。本申请实施例旨在涵盖本申请实施例的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请实施例的一般性原理并包括本申请实施例未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请实施例的真正范围和精神由下面的权利要求指出。
应当理解的是,本申请实施例并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请实施例的范围仅由所附的权利要求来限制。
以上所述实施例仅表达了本申请实施例的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请实施例构思的前提下,还可以做出若干变形和改进,这些都属于本申请实施例的保护范围。
Claims (13)
1.一种心电信号分类方法,其特征在于,所述方法包括:
获取心电信号;
从所述心电信号检测出QRS复合波;
对检测出所述QRS复合波的心电信号进行单心拍切割,并将切割后的心拍信号打包成多个心拍包,其中,每个所述心拍包中包括多个心拍信号;
将所述多个心拍包输入至基于多示例学习的分类器模型,得到每个心拍包的类型识别结果,其中,所述基于多示例学习的分类器模型在分类时,将每个所述心拍包作为一个示例包,并将所述心拍包中的每个心拍信号作为所述示例包中的一个示例,所述类型识别结果包括正常节律类型和异常节律类型。
2.根据权利要求1所述的一种心电信号分类方法,其特征在于,所述分类器模型为端到端的第一深度网络模型,所述将所述多个心拍包输入至基于多示例学习的分类器模型,得到每个心拍包的心电异常节律类型识别结果,包括:
将所述多个心拍包输入至所述第一深度网络模型;
通过所述第一深度网络模型提取所述多个心拍包中每个心拍的特征,并根据所述每个心拍的特征进行分类,得到每个心拍包的类型识别结果。
3.根据权利要求2所述的一种心电信号分类方法,其特征在于,所述第一深度网络模型包括依次排列的以下层次结构:
第一输入层,用于输入所述多个心拍包;
第一卷积层,用于对所述多个心拍包进行特征提取,并输出特征图像;
第一最大池化层,用于对所述第一卷积层输出的特征图像进行压缩;
第一深度残差网络层,用于对所述第一最大池化层输出的特征图像进行进一步的特征提取,从而避免梯度消失或者梯度***的问题;
第一双向长短期记忆人工神经网络层,用于对所述第一深度残差网络层的输出进行进一步的特征提取,同时编码前向信息和后向信息;
第一Flatten层,用于将所述第一双向长短期记忆人工神经网络层的输出压缩为一维数组;
第一Dense层,用于对所述第一双向长短期记忆人工神经网络层的输出进行全部连接,实现所提取特征的非线性组合;
第一Dropout子层,用于根据设定参数,关闭所述第一Dense层上的一定比例的神经元,以减少网络的过度拟合;
第一全连接层,用于使用softmax激活函数,对所述第一Dropout层的输出进行全连接操作;
第一输出层,用于基于所述第一全连接层的输出,得到每个心拍包中,每个心拍被正确识别类型的概率,并根据该心拍包中具有最高概率被正确识别类型的心拍,得到该心拍包的类型识别结果,所述类型识别结果包括正常节律类型和异常节律类型的种类。
4.根据权利要求3所述的心电信号分类方法,其特征在于,所述第一深度网络模型的训练过程包括如下步骤:
获取第一训练集,其中,所述第一训练集中包括多个具有类型标签的心拍包,每个所述心拍包中具有多个心拍;
将所述第一训练集输入至所述第一深度网络模型中,获得每个心拍包中,每个心拍被正确识别类型的概率;
根据每个心拍包中具有最高概率被正确识别类型的心拍,确定所述第一深度网络模型的损失函数;
根据所述损失函数,训练所述第一深度网络模型中的参数值。
5.根据权利要求1所述的心电信号分类方法,其特征在于,所述分类器模型包括第二深度网络模型和支持向量机,所述将所述多个心拍包输入至基于多示例学习的分类器模型,得到每个心拍包的心电异常节律类型识别结果,包括:
将所述多个心拍包输入至所述第二深度网络模型;
通过所述第二深度网络模型提取所述多个心拍包中每个心拍的特征,并将所提取的特征输入至所述支持向量机;
通过所述支持向量机对所述每个心拍的特征进行分类,得到每个心拍包的类型识别结果。
6.根据权利要求5所述的心电信号分类方法,其特征在于,所述第二深度网络模型包括:
第二输入层,用于输入所述多个心拍包;
第二卷积层,用于对所述多个心拍包进行特征提取,并输出特征图像;
第二最大池化层,用于对所述第二卷积层输出的特征图像进行压缩;
第二深度残差网络层,用于对所述第二最大池化层输出的特征图像进行进一步的特征提取,从而避免梯度消失或者梯度***的问题;
第二双向长短期记忆人工神经网络层,用于对所述第二深度残差网络层的输出进行进一步的特征提取,同时编码前向信息和后向信息;
第二Flatten层,用于将所述第二双向长短期记忆人工神经网络层的输出压缩为一维数组。
7.根据权利要求6所述的心电信号分类方法,其特征在于,所述第二深度网络模型还包括:
第二Dense层,用于在训练所述第二深度网络模型时,对所述第二双向长短期记忆人工神经网络层的输出进行全部连接,实现所提取特征的非线性组合;
第二Dropout子层,用于根据设定参数,关闭所述第二Dense层上的一定比例的神经元,以减少网络的过度拟合;
第二全连接层,用于使用softmax激活函数,对所述第二Dropout层的输出进行全连接操作;
第二输出层,用于基于所述第二全连接层的输出,得到每个心拍包中,每个心拍的心电异常节律类型识别结果,并根据该心拍包中最高概率被正确识别的心拍,得到该心拍包的类型识别结果。
8.根据权利要求6所述的心电信号分类方法,其特征在于,所述支持向量机的训练过程包括:
获取第二训练集,其中,所述第二训练集中包括多个具有心电异常节律类型标签的心拍包,每个所述心拍包中具有多个心拍;
将所述第二训练集输入至训练好的所述第二深度网络模型,得到特征集,其中,所述特征集包括多个特征包,每个特征包由从每个所述心拍包中所提取的每个心拍的特征所组成;
将所述特征集输入所述支持向量机,以训练所述支持向量机的判别函数的参数,使得每个正包中的至少一个示例在正平面,负包中的所有示例在负平面,其中,若所述心拍包中至少一个心拍的类型为异常节律,则该心拍包为正包,否则该心拍包为正包。
9.根据权利要求6所述的心电信号分类方法,其特征在于,所述支持向量机的训练过程包括:
获取第二训练集,其中,所述第二训练集中包括多个具有心电异常节律类型标签的心拍包,每个所述心拍包中具有多个心拍;
将所述第二训练集输入至训练好的所述第二深度网络模型,得到特征集,其中,所述特征集包括多个特征包,每个特征包由从每个所述心拍包中所提取的每个心拍的特征所组成;
将所述特征集输入所述支持向量机,并将每个所述心拍包中具有最大可能为正示例或负示例的心拍到超平面的距离转化为该心拍包到超平面的距离,以训练所述支持向量机的判别函数的参数,其中,若所述心拍的类型为异常节律,则该心拍为负示例,否则该心拍为正示例。
10.根据权利要求1所述的心电信号分类方法,其特征在于,从所述心电信号检测出QRS复合波,包括:
对所述心电信号进行离散小波分解,获得预设数量的小波分解系数;
获取包含较大信息和较大能量的小波系数;
根据所述包含较大信息和较大能量的小波系数从所述心电信号中检测出QRS复合波。
11.一种心电信号分类装置,其特征在于,所述装置包括:
心电信号获取模块,用于获取心电信号;
QRS复合波提取模块,用于从所述心电信号检测出QRS复合波;
切割模块,用于对检测出所述QRS复合波的心电信号进行单心拍切割,并将切割后的心拍信号打包成多个心拍包,其中,每个心拍包中包括多个心拍信号;
分类模块,用于将所述多个心拍包输入至基于多示例学习的分类器模型,得到每个心拍包的类型识别结果,其中,所述基于多示例学习的分类器模型在分类时,将每个所述心拍包作为一个示例包,并将所述心拍包中的每个心拍信号作为所述示例包中的一个示例,所述类型识别结果包括正常节律类型和异常节律类型。
12.一种电子设备,包括:
至少一个存储器以及至少一个处理器;
所述存储器,用于存储个或多个程序;
当所述一个或多个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-10中任一所述的心电信号分类方法。
13.一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程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至10任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010108321.9A CN111488793B (zh) | 2020-02-21 | 2020-02-21 | 心电信号分类方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010108321.9A CN111488793B (zh) | 2020-02-21 | 2020-02-21 | 心电信号分类方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111488793A true CN111488793A (zh) | 2020-08-04 |
CN111488793B CN111488793B (zh) | 2024-04-30 |
Family
ID=71794261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010108321.9A Active CN111488793B (zh) | 2020-02-21 | 2020-02-21 | 心电信号分类方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111488793B (zh) |
Cited By (10)
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 |
CN112232253A (zh) * | 2020-10-26 | 2021-01-15 | 南通大学 | 一种粗糙合理粒度驱动的胎儿心电图异常检测方法 |
CN112862096A (zh) * | 2021-02-04 | 2021-05-28 | 百果园技术(新加坡)有限公司 | 一种模型训练和数据处理方法、装置、设备及介质 |
CN113171103A (zh) * | 2021-04-20 | 2021-07-27 | 中国科学院高能物理研究所 | 一种心电分类方法及装置、设备、存储介质 |
CN113509186A (zh) * | 2021-06-30 | 2021-10-19 | 重庆理工大学 | 基于深度卷积神经网络的ecg分类***与方法 |
CN113812962A (zh) * | 2021-08-13 | 2021-12-21 | 深圳市瑞康宏业科技开发有限公司 | 心电节律分类神经网络构建方法、***及存储介质 |
CN114224355A (zh) * | 2020-09-07 | 2022-03-25 | ***通信有限公司研究院 | 心电信号分类训练方法、分类方法、装置及存储介质 |
CN114847960A (zh) * | 2022-06-07 | 2022-08-05 | 山东大学 | 基于心电导联规则和残差神经网络的心电识别***及方法 |
CN117421678A (zh) * | 2023-12-19 | 2024-01-19 | 西南石油大学 | 一种基于知识蒸馏的单导联房颤识别*** |
CN117958813A (zh) * | 2024-03-28 | 2024-05-03 | 北京科技大学 | 基于注意力深度残差网络的ecg身份识别方法、***及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106805965A (zh) * | 2016-12-19 | 2017-06-09 | 深圳先进技术研究院 | 一种心电信号分类方法及装置 |
CN107516075A (zh) * | 2017-08-03 | 2017-12-26 | 安徽华米信息科技有限公司 | 心电信号的检测方法、装置及电子设备 |
CN108647614A (zh) * | 2018-04-28 | 2018-10-12 | 吉林大学 | 心电图心拍分类识别方法及*** |
CN108836307A (zh) * | 2018-05-14 | 2018-11-20 | 广东工业大学 | 一种心电智能检测装置、设备及移动终端 |
CN109171707A (zh) * | 2018-10-24 | 2019-01-11 | 杭州电子科技大学 | 一种智能心电图分类方法 |
CN109480825A (zh) * | 2018-12-13 | 2019-03-19 | 武汉中旗生物医疗电子有限公司 | 心电数据的处理方法及装置 |
US20190272920A1 (en) * | 2018-03-02 | 2019-09-05 | Preventice Solutions, Inc. | Automated ventricular ectopic beat classification |
-
2020
- 2020-02-21 CN CN202010108321.9A patent/CN111488793B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106805965A (zh) * | 2016-12-19 | 2017-06-09 | 深圳先进技术研究院 | 一种心电信号分类方法及装置 |
CN107516075A (zh) * | 2017-08-03 | 2017-12-26 | 安徽华米信息科技有限公司 | 心电信号的检测方法、装置及电子设备 |
US20190272920A1 (en) * | 2018-03-02 | 2019-09-05 | Preventice Solutions, Inc. | Automated ventricular ectopic beat classification |
CN108647614A (zh) * | 2018-04-28 | 2018-10-12 | 吉林大学 | 心电图心拍分类识别方法及*** |
CN108836307A (zh) * | 2018-05-14 | 2018-11-20 | 广东工业大学 | 一种心电智能检测装置、设备及移动终端 |
CN109171707A (zh) * | 2018-10-24 | 2019-01-11 | 杭州电子科技大学 | 一种智能心电图分类方法 |
CN109480825A (zh) * | 2018-12-13 | 2019-03-19 | 武汉中旗生物医疗电子有限公司 | 心电数据的处理方法及装置 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN114224355A (zh) * | 2020-09-07 | 2022-03-25 | ***通信有限公司研究院 | 心电信号分类训练方法、分类方法、装置及存储介质 |
CN112232253A (zh) * | 2020-10-26 | 2021-01-15 | 南通大学 | 一种粗糙合理粒度驱动的胎儿心电图异常检测方法 |
CN112232253B (zh) * | 2020-10-26 | 2021-11-09 | 南通大学 | 一种粗糙合理粒度驱动的胎儿心电图异常检测方法 |
CN112862096A (zh) * | 2021-02-04 | 2021-05-28 | 百果园技术(新加坡)有限公司 | 一种模型训练和数据处理方法、装置、设备及介质 |
CN113171103A (zh) * | 2021-04-20 | 2021-07-27 | 中国科学院高能物理研究所 | 一种心电分类方法及装置、设备、存储介质 |
CN113509186B (zh) * | 2021-06-30 | 2022-10-25 | 重庆理工大学 | 基于深度卷积神经网络的ecg分类***与方法 |
CN113509186A (zh) * | 2021-06-30 | 2021-10-19 | 重庆理工大学 | 基于深度卷积神经网络的ecg分类***与方法 |
CN113812962A (zh) * | 2021-08-13 | 2021-12-21 | 深圳市瑞康宏业科技开发有限公司 | 心电节律分类神经网络构建方法、***及存储介质 |
CN114847960A (zh) * | 2022-06-07 | 2022-08-05 | 山东大学 | 基于心电导联规则和残差神经网络的心电识别***及方法 |
CN117421678A (zh) * | 2023-12-19 | 2024-01-19 | 西南石油大学 | 一种基于知识蒸馏的单导联房颤识别*** |
CN117421678B (zh) * | 2023-12-19 | 2024-03-22 | 西南石油大学 | 一种基于知识蒸馏的单导联房颤识别*** |
CN117958813A (zh) * | 2024-03-28 | 2024-05-03 | 北京科技大学 | 基于注意力深度残差网络的ecg身份识别方法、***及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111488793B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111488793B (zh) | 心电信号分类方法、装置、电子设备和存储介质 | |
US10869610B2 (en) | System and method for identifying cardiac arrhythmias with deep neural networks | |
Liu et al. | Arrhythmia classification of LSTM autoencoder based on time series anomaly detection | |
Murugesan et al. | Ecgnet: Deep network for arrhythmia classification | |
Raghavendra et al. | Cardiac arrhythmia detection using dynamic time warping of ECG beats in e-healthcare systems | |
CN106725426A (zh) | 一种心电信号分类的方法及*** | |
Lu et al. | Feature selection for ECG signal processing using improved genetic algorithm and empirical mode decomposition | |
Liu et al. | Arrhythmias classification by integrating stacked bidirectional LSTM and two-dimensional CNN | |
Xia et al. | Generative adversarial network with transformer generator for boosting ECG classification | |
CN107440679A (zh) | 用于检测心电图异常的方法及对应*** | |
Li et al. | Signal processing and feature selection preprocessing for classification in noisy healthcare data | |
Li et al. | Automated heartbeat classification exploiting convolutional neural network with channel-wise attention | |
Pandey et al. | Automated detection of arrhythmia from electrocardiogram signal based on new convolutional encoded features with bidirectional long short-term memory network classifier | |
Sanjana et al. | Explainable artificial intelligence for heart rate variability in ECG signal | |
Al Rahhal et al. | Automatic premature ventricular contractions detection for multi-lead electrocardiogram signal | |
Wang et al. | Atrial fibrillation detection and ECG classification based on CNN-BILSTM | |
Singh et al. | Short and noisy electrocardiogram classification based on deep learning | |
Allam et al. | A deformable CNN architecture for predicting clinical acceptability of ECG signal | |
Hu et al. | Deep multi-instance networks for bundle branch block detection from multi-lead ECG | |
CN110786847A (zh) | 心电信号的建库方法和分析方法 | |
Ern et al. | Classification of arrhythmia signals using hybrid convolutional neural network (cnn) model | |
Popa et al. | Comparing two different types of deep neural networks to improve accuracy in ECG intepretation | |
Roy et al. | Identification and classification of human mental stress using physiological data: A low-power hybrid approach | |
CN117598711B (zh) | 一种心电信号的qrs波群检测方法、装置、设备及介质 | |
Taha et al. | A Survey on Classification of ECG Signal Study |
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 |