CN112545525B - 心电图数据分类方法、装置及*** - Google Patents
心电图数据分类方法、装置及*** Download PDFInfo
- Publication number
- CN112545525B CN112545525B CN202011379001.3A CN202011379001A CN112545525B CN 112545525 B CN112545525 B CN 112545525B CN 202011379001 A CN202011379001 A CN 202011379001A CN 112545525 B CN112545525 B CN 112545525B
- Authority
- CN
- China
- Prior art keywords
- electrocardiogram
- data
- abnormal
- model data
- classification result
- 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
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供了一种心电图数据分类方法、装置及***,其中方法包括:利用回声状态网络将待分类心电图数据转换为心电图模型数据;输入心电图模型数据至预先训练好的正常分类器,并获得第一分类结果;输入心电图模型数据至预先训练好的一个或多个异常分类器,并获得一个或多个第二分类结果;针对每个异常分类器输出的第二分类结果:若所述第一分类结果表示所述心电图模型数据正常且所述第二分类结果表示心电图模型数据非异常,则确定所述待分类心电图数据正常;若第一分类结果表示所述心电图模型数据非正常且所述第二分类结果表示所述心电图模型数据异常,则确定所述待分类心电图数据异常。本申请可以对心电图数据进行准确判定,提升准确性。
Description
技术领域
本申请涉及通信技术领域,尤其涉及心电图数据分类方法、装置及***。
背景技术
心电图是很多心血管疾病的重要诊断工具,现在,利用人工智能辅助心电图的诊断是当今医学的重要研究领域之一。现有针对心电图的智能分类技术主要集中在传统机器学习以及深度机器学习。
传统机器学习会对心电图进行特征提取以进行分类,当心电图出现一些不确定性的情况时,便无法进行准确地特征提取,所以利用传统机器学习得到的分类器对心电图数据的判定结果不准确。
深度机器学习相较于传统机器学习局限性较小,但是深度学习需要大量训练数据作为支撑,但是针对某一疾病而言,作为训练样本使用的心电图数据可能无法达到深度机器学习的数量,所以利用深度机器学习得到的分类器对心电图数据的判定结果不准确。
发明内容
鉴于此,本申请提供心电图数据分类方法、装置及***,可以对心电图数据进行准确判定,提升准确性。
为了实现上述目的,本发明提供了下述技术特征:
一种心电图数据分类方法,包括:
利用回声状态网络将待分类心电图数据转换为心电图模型数据;
输入所述心电图模型数据至预先训练好的正常分类器,并获得第一分类结果;
输入所述心电图模型数据至预先训练好的一个或多个异常分类器,并获得一个或多个第二分类结果;
针对每个异常分类器输出的第二分类结果:
若所述第一分类结果表示所述心电图模型数据正常且所述第二分类结果表示所述心电图模型数据非异常,则确定所述待分类心电图数据正常;
若所述第一分类结果表示所述心电图模型数据非正常且所述第二分类结果表示所述心电图模型数据异常,则确定所述待分类心电图数据异常。
可选的,所述待分类心电图数据包括多个不同特性的心电图序列,回声状态网络包括与多个不同特性的心电图序列一一对应的多个不同特性的储备池;
则所述利用回声状态网络将待分类心电图数据转换为心电图模型数据包括:
分别利用与多个心电图序列对应的储备池,经过多次迭代将多个心电图序列转换至高维空间,获得多个高维心电图序列;
分别对所述多个高维心电图序列中前部不稳定数据执行删除操作;
合并所述多个高维心电图序列获得高维心电图数据;
利用岭回归方式转换所述高维心电图数据获得心电图模型数据。
可选的,还包括:
针对每个异常分类器输出的第二分类结果:
若所述第一分类结果表示所述心电图模型数据正常且所述第二分类结果表示所述心电图模型数据异常,则发送所述心电图模型数据至人工审核流程;
若所述人工审核结果表示所述第一分类结果正常,则重新训练表示心电图模型数据异常的异常分类器;
若所述人工审核结果表示所述第一分类结果异常,则重新训练所述正常分类器。
可选的,还包括:若所述第一分类结果表示所述心电图模型数据非正常且所述第二分类结果表示所述心电图模型数据非异常,则发送所述心电图模型数据至人工审核流程;
若所述人工审核结果表示所述第一分类结果正常,则重新训练所述正常分类器;
若所述人工审核结果表示所述第一分类结果异常,则重新训练所述异常分类器。
可选的,还包括预先训练正常分类器;
其中,所述预先训练正常分类器包括:
获取多个正常心电图数据作为训练样本;
分别利用回声状态网络,将所述多个正常心电图数据转换为多个正常心电图模型数据;
利用所述多个正常心电图模型数据训练单分类支持向量机,获得所述正常分类器。
可选的,还包括预先训练异常分类器;
其中,所述预先训练异常分类器包括:
获取多个异常心电图数据作为训练样本;
分别利用回声状态网络,将所述多个异常心电图数据转换为多个异常心电图模型数据;
利用所述多个异常心电图模型数据训练单分类支持向量机,获得所述异常分类器。
一种心电图数据分类装置,包括:
转换单元,用于利用回声状态网络将待分类心电图数据转换为心电图模型数据;
第一输入单元,用于输入所述心电图模型数据至预先训练好的正常分类器,并获得第一分类结果;
第二输入单元,用于输入所述心电图模型数据至预先训练好的一个或多个异常分类器,并获得一个或多个第二分类结果;
分析单元,用于针对每个异常分类器输出的第二分类结果:
若所述第一分类结果表示所述心电图模型数据正常且所述第二分类结果表示所述心电图模型数据非异常,则确定所述待分类心电图数据正常;
若所述第一分类结果表示所述心电图模型数据非正常且所述第二分类结果表示所述心电图模型数据异常,则确定所述待分类心电图数据异常。
可选的,所述待分类心电图数据包括多个不同特性的心电图序列,回声状态网络包括与多个不同特性的心电图序列一一对应的多个不同特性的储备池;
则所述转换单元包括:
高维转换单元,用于分别利用与多个心电图序列对应的储备池,经过多次迭代将多个心电图序列转换至高维空间,获得多个高维心电图序列;
删除单元,用于分别对所述多个高维心电图序列中前部不稳定数据执行删除操作;
合并单元,用于合并所述多个高维心电图序列获得高维心电图数据;
岭回归单元,用于利用岭回归方式转换所述高维心电图数据获得心电图模型数据。
可选的,还包括:
针对每个异常分类器输出的第二分类结果:
若所述第一分类结果表示所述心电图模型数据正常且所述第二分类结果表示所述心电图模型数据异常,则发送所述心电图模型数据至人工审核流程;
若所述人工审核结果表示所述第一分类结果正常,则重新训练表示心电图模型数据异常的异常分类器;
若所述人工审核结果表示所述第一分类结果异常,则重新训练所述正常分类器;
若所述第一分类结果表示所述心电图模型数据非正常且所述第二分类结果表示所述心电图模型数据非异常,则发送所述心电图模型数据至人工审核流程;
若所述人工审核结果表示所述第一分类结果正常,则重新训练所述正常分类器;
若所述人工审核结果表示所述第一分类结果异常,则重新训练所述异常分类器。
一种心电图数据分类***,包括:
心电图终端,与心电图终端相连的处理设备;
心电图终端,用于对人体执行心电图测量操作,获得待分类心电图数据,并发送待分类心电图数据至处理设备;
处理设备,用于利用回声状态网络将待分类心电图数据转换为心电图模型数据;输入所述心电图模型数据至预先训练好的正常分类器,并获得第一分类结果;输入所述心电图模型数据至预先训练好的一个或多个异常分类器,并获得一个或多个第二分类结果;针对每个异常分类器输出的第二分类结果:若所述第一分类结果表示所述心电图模型数据正常且所述第二分类结果表示所述心电图模型数据非异常,则确定所述待分类心电图数据正常;若所述第一分类结果表示所述心电图模型数据非正常且所述第二分类结果表示所述心电图模型数据异常,则确定所述待分类心电图数据异常。
通过以上技术手段,可以实现以下有益效果:
本申请利用回声状态网络转换待分类心电图数据,从而获得心电图模型数据,在转换过程中可以将心电图数据从低维空间转换到高维空间,由于本申请不存在传统机器学习的特征提取操作,所以可以解决传统机器学习中关于特征提取的不准确问题。
本申请利用回声状态网络来转换待分类心电图模型数据,在转换过程中需要经过多次迭代,由于回声状态网络中迭代矩阵和输入层矩阵均为随机生成,无需每次迭代过程中均进行调整,所以可以简化迭代过程,优化了迭代难度。
本申请将待分类心电图数据转换为心电图模型数据之后,可以利用两种类型的分类器来进行双重判定,也即利用正常分类器和异常分类器进行双重判定,只有两种分类器的判定结果一致,才可以对待分类心电图进行准确分类,提升了准确性。
附图说明
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。
图1为本申请实施例公开的一种本发明提供一种正常分类器的训练过程的流程图;
图2为本申请实施例公开的一种本发明提供一种异常分类器的训练过程的流程图;
图3为本申请实施例公开的一种本发明提供一种心电图数据分类***的结构示意图;
图4为本申请实施例公开的一种心电图数据分类方法的流程图;
图5为本申请实施例公开的一种心电图数据分类装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
心电图数据为典型时间序列,一般使用是12导联心电图,其中6个肢体导联(Ⅰ、II、Ⅲ、aVR、aVL、aVF)和6个胸导联(V1~V6)。肢体导联包括标准双极导联(Ⅰ、II和Ⅲ)和加压导联(aVR、aVL和aVF)。
由于心电图数据的数据量较大且对于某个具体心血管疾病,其心电图数据又较难大量获取,所以本发明考虑利用回声状态网络(Echo State Network,ESN),将数据量较大的心电图数据转换到模型空间,以便在模型空间建立正常分类器和异常分类器,实现对心电图数据的分类操作。
本申请提出利用正常心电图数据以及单分类支持向量机生成正常分类器,下面对正常分类器的训练过程进行详细介绍。
参见图1,本发明提供一种正常分类器的训练过程,包括以下步骤:
步骤S100:构建包含不同特性储备池的回声状态网络。
由于心电图数据为12导联心电图,也即心电图数据包括12个心电图序列;其中具有6个肢体导联(6个心电图序列)和6个胸导联(6个心电图序列),且,不同导联中的数据特性不同,也即不同心电图序列中的幅度和频率不尽相同。
为了更好地对心电图数据进行转换,本申请在回声状态网络的储备池中设置有与12个心电图序列一一对应的12个不同特性的储备池,不同储备池的状态参数不同,能够对不同心电图序列进行转换,适应长短时序列,以便将心电图数据从低维空间转换到高维空间。
构造回声状态网络的储备池结构,可以适应长短时序列,其迭代公式为:
h(t)=o*tanh[(1-a)*c(t-1)+a*c(t)];
其中,h(t)为回声状态网络中t时刻的隐藏状态,c(t)为回声状态网络中t时刻的中间状态,x(t)为一心电图序列中t时刻的心电图数据,为迭代矩阵,Win为输入层矩阵,o和α均为储备池的状态参数,不同储备池的状态参数不同,以提现出不同储备池的不同特性。
步骤S101:获取多个正常心电图数据作为训练样本。
以一个正常心电图数据为例,可以采用X(t)=[x1(t),x2(t)…xi(t)…x12(t)]表示,其中xi(t)表示正常心电图数据中第i个心电图序列,每个xi(t)的心电图序列长度相同,例如心电图序列长度均为5000,也即每个心电图序列包括连续5000个时刻的心电图状态。
步骤S102:分别利用回声状态网络,将所述多个正常心电图数据转换为多个正常心电图模型数据。
以一个正常心电图数据为例,针对正常心电图数据中12个心电图序列,分别执行S1-S4:
S0:确定回声状态网络中与该心电图序列对应的储备池。
以心电图序列xi(t)为例,确定回声状态网络中与该心电图序列对应特性的储备池。
S1:将心电图序列中第一时刻的心电图状态xi(1)输入至储备池进行第一次迭代,获得第一时刻的中间状态c(1)和隐层状态h(1)。
S2:将当前时刻的心电图状态xi(tj)以及前一步骤得到的中间状态c(tj-1)和隐层状态h(tj-1)输入送入储备池进行再一次迭代,得到当前时刻的中间状态c(tj)和隐层状态h(tj)。
S3:重复执行步骤S2直到心电图序列的最后时刻,获得最终的隐层状态hi(t),也即高维心电图序列hi(t)。
储备池可以通过不断迭代可以将心电图序列由低位空间转换到高维空间。
S4:对高维心电图序列hi(t)中前部不稳定数据执行删除操作。
前部不稳定数据的数量可以根据不同的情景进行设定,例如可以设定前部500个数据为前部数据,对高维心电图序列中前500个数据执行删除操作,重新获得高维心电图序列hi(t)。
S5:合并所述多个高维心电图序列获得高维心电图数据。
针对正常心电图数据中12个心电图序列均执行S1-S4之后,可以获得12个高维心电图序列h1(t)、h2(t)……h12(t),12个高维心电图序列组成高维心电图数据H(t)。
S6:利用岭回归方式转换为所述高维心电图数据获得心电图模型数据。
以H(0)作为输入、以心电图序列中x(1)作为输出,以H(1)作为输入、以心电图序列中x(2)作为输出,以此类推,以H(tj)作为输入、以心电图序列中x(tj+1)作为输出。
按岭回归方式拟合若干个时刻的输入和输出,确定一条线性模型数据y=WH(t)+b。将y=WH(t)+b作为心电图模型数据。
按步骤S1-S5将多个正常心电图数据转为心电图模型数据。
步骤S103:利用所述多个正常心电图模型数据训练单分类支持向量机,获得所述正常分类器。
利用单分类支持向量机训练多个正常心电图模型数据,获得正常分类器。
由于心电图数据对应的心血管疾病有很多种,为了便于介绍以一种疾病为例来训练异常分类器。本申请提出利用异常心电图数据以及单分类支持向量机生成异常分类器,下面对异常分类器的训练过程进行详细介绍。
参见图2,本发明提供一种异常分类器的训练过程,包括以下步骤:
步骤S200:构建包含不同特性储备池的回声状态网络。
步骤S201:获取多个异常心电图数据作为训练样本。
步骤S202:分别利用回声状态网络,将所述多个异常心电图数据转换为多个异常心电图模型数据。
步骤S203:利用所述多个异常心电图模型数据训练单分类支持向量机,获得所述异常分类器。
本实施例的执行过程与图1所示的实施例过程类似,在此不再赘述。
由于心血管疾病可以有多种,所以基于图2所示的实施例生成多个表征不同疾病的异常分类器。若一个疾病对应的异常分类器输出表示异常的输出结果,则表示心电图数据可能具有对应的疾病。
参见图3,本发明提供了一种心电图数据分类***,包括:
心电图终端100,与心电图终端相连的处理设备200。
心电图终端100用于对人体执行心电图测量操作,获得待分类心电图数据,并发送待分类心电图数据至处理设备200。
处理设备200,用于利用回声状态网络将待分类心电图数据转换为心电图模型数据;输入所述心电图模型数据至预先训练好的正常分类器,并获得第一分类结果;输入所述心电图模型数据至预先训练好的一个或多个异常分类器,并获得一个或多个第二分类结果;针对每个异常分类器输出的第二分类结果:若所述第一分类结果表示所述心电图模型数据正常且所述第二分类结果表示所述心电图模型数据非异常,则确定所述待分类心电图数据正常;若所述第一分类结果表示所述心电图模型数据非正常且所述第二分类结果表示所述心电图模型数据异常,则确定所述待分类心电图数据异常。
参见图4,本申请提供了一种心电图数据分类方法,包括:
步骤S401:利用回声状态网络将待分类心电图数据转换为心电图模型数据。
其中,所述待分类心电图数据包括多个不同特性的心电图序列,回声状态网络包括与多个心电图序列一一对应的多个不同特性的储备池,则步骤S401利用回声状态网络将待分类心电图数据转换为心电图模型数据包括:
针对待分类心电图数据中12个心电图序列,分别执行S1-S4:
S0:确定回声状态网络中与该心电图序列对应的储备池。
以心电图序列xi(t)为例,确定回声状态网络中与该心电图序列对应特性的储备池。
S1:将心电图序列中第一时刻的心电图状态xi(1)输入至储备池进行第一次迭代,获得第一时刻的中间状态c(1)和隐层状态h(1)。
S2:将当前时刻的心电图状态xi(tj)以及前一步骤得到的中间状态c(tj-1)和隐层状态h(tj-1)输入送入储备池进行再一次迭代,得到当前时刻的中间状态c(tj)和隐层状态h(tj)。
S3:重复执行步骤S2直到心电图序列的最后时刻,获得最终的隐层状态hi(t),也即高维心电图序列hi(t)。
储备池可以通过不断迭代可以将心电图序列由低位空间转换到高维空间。
S4:对高维心电图序列hi(t)中前部不稳定数据执行删除操作。
前部不稳定数据的数量可以根据不同的情景进行设定,例如可以设定前部500个数据为前部数据,对高维心电图序列中前500个数据执行删除操作,重新获得高维心电图序列hi(t)。
S5:合并所述多个高维心电图序列获得高维心电图数据。
针对正常心电图数据中12个心电图序列均执行S1-S4之后,可以获得12个高维心电图序列h1(t)、h2(t)……h12(t),12个高维心电图序列组成高维心电图数据H(t)。
S6:利用岭回归方式转换为所述高维心电图数据获得心电图模型数据。
以H(0)作为输入、以心电图序列中x(1)作为输出,以H(1)作为输入、以心电图序列中x(2)作为输出,以此类推,以H(tj)作为输入、以心电图序列中x(tj+1)作为输出。
按岭回归方式拟合若干个时刻的输入和输出,确定一条线性模型数据y=WH(t)+b。将y=WH(t)+b作为心电图模型数据。
步骤S402:输入所述心电图模型数据至预先训练好的正常分类器,并获得第一分类结果。
输入待分类心电图数据至预先训练好的正常分类器,可以获得正常分类器输出的表示待分类心电图是否为正常心电图的第一分类结果。
步骤S403:输入所述心电图模型数据至预先训练好的一个或多个异常分类器,并获得一个或多个第二分类结果。
输入待分类心电图数据至预先训练好的一个或多个异常分类器,可以获得异常分类器输出的表示待分类心电图是否为异常心电图的一个或多个第二分类结果。
针对每个异常分类器输出的第二分类结果:
步骤S404:若所述第一分类结果表示所述心电图模型数据正常且所述第二分类结果表示所述心电图模型数据非异常,则确定所述待分类心电图数据正常。
步骤S405:若所述第一分类结果表示所述心电图模型数据非正常且所述第二分类结果表示所述心电图模型数据异常,则确定所述待分类心电图数据异常。
通过上述技术特征可知本申请具有以下有益效果:
本申请利用回声状态网络转换待分类心电图数据,从而获得心电图模型数据,在转换过程中可以将心电图数据从低维空间转换到高维空间,由于本申请不存在传统机器学习的特征提取操作,所以可以解决传统机器学习中关于特征提取的不准确问题。
本申请利用回声状态网络来转换待分类心电图模型数据,在转换过程中需要经过多次迭代,由于回声状态网络中迭代矩阵和输入层矩阵均为随机生成,无需每次迭代过程中均进行调整,所以可以简化迭代过程,优化了迭代难度。
本申请将待分类心电图数据转换为心电图模型数据之后,可以利用两种类型的分类器来进行双重判定,也即利用正常分类器和异常分类器进行双重判定,只有两种分类器的判定结果一致,才可以对待分类心电图进行准确分类,提升了准确性。
此外,还有两种不确定性情况:
针对每个异常分类器输出的第二分类结果:
若所述第一分类结果表示所述心电图模型数据正常且所述第二分类结果表示所述心电图模型数据异常,则发送所述心电图模型数据至人工审核流程。
若所述人工审核结果表示所述第一分类结果正常,则重新训练表示心电图模型数据异常的异常分类器;若所述人工审核结果表示所述第一分类结果异常,则重新训练所述正常分类器。
若正常分类器表示心电图模型数据正常但是异常分类器表示心电图模型数据异常,也即两个分类器的输出结果不一致,此时可以交由人工审核。
在人工审核后确定第一分类结果正确,则表示心电图模型数据正常,所以可以确定异常分类器分类有误,所以可以将待分类心电图数据作为异常分类器的训练样本,重新训练异常分类器,以便提升异常分类器的准确性。
在人工审核后确定第二分类结果正确,则表示心电图模型数据异常,所以可以确定正常分类器分类有误,所以可以将待分类心电图数据作为正常分类器的训练样本,重新训练正常分类器,以便提升正常分类器的准确性。
若所述第一分类结果表示所述心电图模型数据非正常且所述第二分类结果表示所述心电图模型数据非异常,则发送所述心电图模型数据至人工审核流程。
若所述人工审核结果表示所述第一分类结果正常,则重新训练所述正常分类器;若所述人工审核结果表示所述第一分类结果异常,则重新训练所述异常分类器。
若正常分类器表示心电图模型数据非正常但是异常分类器表示心电图模型数据非异常,也即两个分类器的输出结果不一致,此时可以交由人工审核。
在人工审核后确定第一分类结果正确,则表示心电图模型数据异常,所以可以确定异常分类器分类有误,所以可以将待分类心电图数据作为异常分类器的训练样本,重新训练异常分类器,以便提升异常分类器的准确性。
在人工审核后确定第二分类结果正确,则表示心电图模型数据正常,所以可以确定正常分类器分类有误,所以可以将待分类心电图数据作为正常分类器的训练样本,重新训练正常分类器,以便提升正常分类器的准确性。
参见图5,本发明提供一种心电图数据分类装置,包括:
转换单元51,用于利用回声状态网络将待分类心电图数据转换为心电图模型数据;
第一输入单元52,用于输入所述心电图模型数据至预先训练好的正常分类器,并获得第一分类结果;
第二输入单元53,用于输入所述心电图模型数据至预先训练好的一个或多个异常分类器,并获得一个或多个第二分类结果;
分析单元54,用于针对每个异常分类器输出的第二分类结果:
若所述第一分类结果表示所述心电图模型数据正常且所述第二分类结果表示所述心电图模型数据非异常,则确定所述待分类心电图数据正常;
若所述第一分类结果表示所述心电图模型数据非正常且所述第二分类结果表示所述心电图模型数据异常,则确定所述待分类心电图数据异常。
其中所述待分类心电图数据包括多个不同特性的心电图序列,回声状态网络包括与多个不同特性的心电图序列一一对应的多个不同特性的储备池;
则所述转换单元51包括:
高维转换单元511,用于分别利用与多个心电图序列对应的储备池,经过多次迭代将多个心电图序列转换至高维空间,获得多个高维心电图序列;
删除单元512,用于分别对所述多个高维心电图序列中前部不稳定数据执行删除操作;
合并单元513,用于合并所述多个高维心电图序列获得高维心电图数据;
岭回归单元514,用于利用岭回归方式转换所述高维心电图数据获得心电图模型数据。
其中,针对每个异常分类器输出的第二分类结果:
若所述第一分类结果表示所述心电图模型数据正常且所述第二分类结果表示所述心电图模型数据异常,则发送所述心电图模型数据至人工审核流程;
若所述人工审核结果表示所述第一分类结果正常,则重新训练表示心电图模型数据异常的异常分类器;
若所述人工审核结果表示所述第一分类结果异常,则重新训练所述正常分类器;
若所述第一分类结果表示所述心电图模型数据非正常且所述第二分类结果表示所述心电图模型数据非异常,则发送所述心电图模型数据至人工审核流程;
若所述人工审核结果表示所述第一分类结果正常,则重新训练所述正常分类器;
若所述人工审核结果表示所述第一分类结果异常,则重新训练所述异常分类器。
所述装置还包括预训练单元55。
预训练单元55可以预先训练正常分类器;其中,所述预先训练正常分类器包括:
获取多个正常心电图数据作为训练样本;
分别利用回声状态网络,将所述多个正常心电图数据转换为多个正常心电图模型数据;
利用所述多个正常心电图模型数据训练单分类支持向量机,获得所述正常分类器。
预训练单元55可以预先训练异常分类器;其中,所述预先训练异常分类器包括:
获取多个异常心电图数据作为训练样本;
分别利用回声状态网络,将所述多个异常心电图数据转换为多个异常心电图模型数据;
利用所述多个异常心电图模型数据训练单分类支持向量机,获得所述异常分类器。
通过以上技术手段,可以实现以下有益效果:
本申请利用回声状态网络转换待分类心电图数据,从而获得心电图模型数据,在转换过程中可以将心电图数据从低维空间转换到高维空间,由于本申请不存在传统机器学习的特征提取操作,所以可以解决传统机器学习中关于特征提取的不准确问题。
本申请利用回声状态网络来转换待分类心电图模型数据,在转换过程中需要经过多次迭代,由于回声状态网络中迭代矩阵和输入层矩阵均为随机生成,无需每次迭代过程中均进行调整,所以可以简化迭代过程,优化了迭代难度。
本申请将待分类心电图数据转换为心电图模型数据之后,可以利用两种类型的分类器来进行双重判定,也即利用正常分类器和异常分类器进行双重判定,只有两种分类器的判定结果一致,才可以对待分类心电图进行准确分类,提升了准确性。
本实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算设备可读取存储介质中。基于这样的理解,本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一台计算设备(可以是个人计算机,服务器,移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种心电图数据分类方法,其特征在于,包括:
利用回声状态网络将待分类心电图数据转换为心电图模型数据;
输入所述心电图模型数据至预先训练好的正常分类器,并获得第一分类结果;
输入所述心电图模型数据至预先训练好的一个或多个异常分类器,并获得一个或多个第二分类结果;
针对每个异常分类器输出的第二分类结果:
若所述第一分类结果表示所述心电图模型数据正常且所述第二分类结果表示所述心电图模型数据非异常,则确定所述待分类心电图数据正常;
若所述第一分类结果表示所述心电图模型数据非正常且所述第二分类结果表示所述心电图模型数据异常,则确定所述待分类心电图数据异常;
所述待分类心电图数据包括多个不同特性的心电图序列,回声状态网络包括与多个不同特性的心电图序列一一对应的多个不同特性的储备池,所述储备池的迭代公式为
h(t)=o*tanh[(1-a)*c(t-1)+a*c(t)];其中,h(t)为回声状态网络中t时刻的隐藏状态,c(t)为回声状态网络中t时刻的中间状态,x(t)为一心电图序列中t时刻的心电图数据,为迭代矩阵,Win为输入层矩阵,o和α均为储备池的状态参数,不同储备池的状态参数不同;
则所述利用回声状态网络将待分类心电图数据转换为心电图模型数据包括:分别利用与多个心电图序列对应的储备池,经过多次迭代将多个心电图序列转换至高维空间,获得多个高维心电图序列;分别对所述多个高维心电图序列中前部不稳定数据执行删除操作;合并所述多个高维心电图序列获得高维心电图数据;利用岭回归方式转换所述高维心电图数据获得心电图模型数据。
2.如权利要求1所述的方法,其特征在于,还包括:
针对每个异常分类器输出的第二分类结果:
若所述第一分类结果表示所述心电图模型数据正常且所述第二分类结果表示所述心电图模型数据异常,则发送所述心电图模型数据至人工审核流程;
若所述人工审核结果表示所述第一分类结果正常,则重新训练表示心电图模型数据异常的异常分类器;
若所述人工审核结果表示所述第一分类结果异常,则重新训练所述正常分类器。
3.如权利要求1所述的方法,其特征在于,还包括:若所述第一分类结果表示所述心电图模型数据非正常且所述第二分类结果表示所述心电图模型数据非异常,则发送所述心电图模型数据至人工审核流程;
若所述人工审核结果表示所述第一分类结果正常,则重新训练所述正常分类器;
若所述人工审核结果表示所述第一分类结果异常,则重新训练所述异常分类器。
4.如权利要求1所述的方法,其特征在于,还包括预先训练正常分类器;
其中,所述预先训练正常分类器包括:
获取多个正常心电图数据作为训练样本;
分别利用回声状态网络,将所述多个正常心电图数据转换为多个正常心电图模型数据;
利用所述多个正常心电图模型数据训练单分类支持向量机,获得所述正常分类器。
5.如权利要求1所述的方法,其特征在于,还包括预先训练异常分类器;
其中,所述预先训练异常分类器包括:
获取多个异常心电图数据作为训练样本;
分别利用回声状态网络,将所述多个异常心电图数据转换为多个异常心电图模型数据;
利用所述多个异常心电图模型数据训练单分类支持向量机,获得所述异常分类器。
6.一种心电图数据分类装置,其特征在于,包括:
转换单元,用于利用回声状态网络将待分类心电图数据转换为心电图模型数据;
第一输入单元,用于输入所述心电图模型数据至预先训练好的正常分类器,并获得第一分类结果;
第二输入单元,用于输入所述心电图模型数据至预先训练好的一个或多个异常分类器,并获得一个或多个第二分类结果;
分析单元,用于针对每个异常分类器输出的第二分类结果:
若所述第一分类结果表示所述心电图模型数据正常且所述第二分类结果表示所述心电图模型数据非异常,则确定所述待分类心电图数据正常;
若所述第一分类结果表示所述心电图模型数据非正常且所述第二分类结果表示所述心电图模型数据异常,则确定所述待分类心电图数据异常;
所述待分类心电图数据包括多个不同特性的心电图序列,回声状态网络包括与多个不同特性的心电图序列一一对应的多个不同特性的储备池,所述储备池的迭代公式为
h(t)=o*tanh[(1-a)*c(t-1)+a*c(t)];其中,h(t)为回声状态网络中t时刻的隐藏状态,c(t)为回声状态网络中t时刻的中间状态,x(t)为一心电图序列中t时刻的心电图数据,为迭代矩阵,Win为输入层矩阵,o和α均为储备池的状态参数,不同储备池的状态参数不同;
则所述转换单元包括:高维转换单元,用于分别利用与多个心电图序列对应的储备池,经过多次迭代将多个心电图序列转换至高维空间,获得多个高维心电图序列;删除单元,用于分别对所述多个高维心电图序列中前部不稳定数据执行删除操作;合并单元,用于合并所述多个高维心电图序列获得高维心电图数据;岭回归单元,用于利用岭回归方式转换所述高维心电图数据获得心电图模型数据。
7.如权利要求6所述的装置,其特征在于,还包括:
针对每个异常分类器输出的第二分类结果:
若所述第一分类结果表示所述心电图模型数据正常且所述第二分类结果表示所述心电图模型数据异常,则发送所述心电图模型数据至人工审核流程;
若所述人工审核结果表示所述第一分类结果正常,则重新训练表示心电图模型数据异常的异常分类器;
若所述人工审核结果表示所述第一分类结果异常,则重新训练所述正常分类器;
若所述第一分类结果表示所述心电图模型数据非正常且所述第二分类结果表示所述心电图模型数据非异常,则发送所述心电图模型数据至人工审核流程;
若所述人工审核结果表示所述第一分类结果正常,则重新训练所述正常分类器;
若所述人工审核结果表示所述第一分类结果异常,则重新训练所述异常分类器。
8.一种心电图数据分类***,其特征在于,包括:
心电图终端,与心电图终端相连的处理设备;
心电图终端,用于对人体执行心电图测量操作,获得待分类心电图数据,并发送待分类心电图数据至处理设备;
处理设备,用于利用回声状态网络将待分类心电图数据转换为心电图模型数据;输入所述心电图模型数据至预先训练好的正常分类器,并获得第一分类结果;输入所述心电图模型数据至预先训练好的一个或多个异常分类器,并获得一个或多个第二分类结果;针对每个异常分类器输出的第二分类结果:若所述第一分类结果表示所述心电图模型数据正常且所述第二分类结果表示所述心电图模型数据非异常,则确定所述待分类心电图数据正常;若所述第一分类结果表示所述心电图模型数据非正常且所述第二分类结果表示所述心电图模型数据异常,则确定所述待分类心电图数据异常;
所述待分类心电图数据包括多个不同特性的心电图序列,回声状态网络包括与多个不同特性的心电图序列一一对应的多个不同特性的储备池,所述储备池的迭代公式为
h(t)=o*tanh[(1-a)*c(t-1)+a*c(t)];其中,h(t)为回声状态网络中t时刻的隐藏状态,c(t)为回声状态网络中t时刻的中间状态,x(t)为一心电图序列中t时刻的心电图数据,为迭代矩阵,Win为输入层矩阵,o和α均为储备池的状态参数,不同储备池的状态参数不同;
则所述利用回声状态网络将待分类心电图数据转换为心电图模型数据包括:分别利用与多个心电图序列对应的储备池,经过多次迭代将多个心电图序列转换至高维空间,获得多个高维心电图序列;分别对所述多个高维心电图序列中前部不稳定数据执行删除操作;合并所述多个高维心电图序列获得高维心电图数据;利用岭回归方式转换所述高维心电图数据获得心电图模型数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011379001.3A CN112545525B (zh) | 2020-11-30 | 2020-11-30 | 心电图数据分类方法、装置及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011379001.3A CN112545525B (zh) | 2020-11-30 | 2020-11-30 | 心电图数据分类方法、装置及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112545525A CN112545525A (zh) | 2021-03-26 |
CN112545525B true CN112545525B (zh) | 2022-05-13 |
Family
ID=75046763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011379001.3A Active CN112545525B (zh) | 2020-11-30 | 2020-11-30 | 心电图数据分类方法、装置及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112545525B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822860A (zh) * | 2021-08-30 | 2021-12-21 | 上海明略人工智能(集团)有限公司 | 视频质量判断方法、***、存储介质及电子设备 |
CN113729649B (zh) * | 2021-09-29 | 2024-05-14 | 重庆岱普科技有限责任公司 | 一种基于回声状态网络的心脑血管疾病识别*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106388780A (zh) * | 2016-09-21 | 2017-02-15 | 广州视源电子科技股份有限公司 | 基于二分类器与检测器融合的睡眠状态检测方法和*** |
CN109350032A (zh) * | 2018-10-16 | 2019-02-19 | 武汉中旗生物医疗电子有限公司 | 一种分类方法、***、电子设备及存储介质 |
CN109919205A (zh) * | 2019-02-25 | 2019-06-21 | 华南理工大学 | 基于多头自注意力机制的卷积回声状态网络时序分类方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110300542A (zh) * | 2016-07-25 | 2019-10-01 | 开创拉布斯公司 | 使用可穿戴的自动传感器预测肌肉骨骼位置信息的方法和装置 |
US20180089586A1 (en) * | 2016-09-29 | 2018-03-29 | Stmicroelectronics S.R.L. | Artificial neural networks for human activity recognition |
CN111563767A (zh) * | 2020-04-26 | 2020-08-21 | 中国银行股份有限公司 | 股票价格预测方法及装置 |
-
2020
- 2020-11-30 CN CN202011379001.3A patent/CN112545525B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106388780A (zh) * | 2016-09-21 | 2017-02-15 | 广州视源电子科技股份有限公司 | 基于二分类器与检测器融合的睡眠状态检测方法和*** |
CN109350032A (zh) * | 2018-10-16 | 2019-02-19 | 武汉中旗生物医疗电子有限公司 | 一种分类方法、***、电子设备及存储介质 |
CN109919205A (zh) * | 2019-02-25 | 2019-06-21 | 华南理工大学 | 基于多头自注意力机制的卷积回声状态网络时序分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112545525A (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110890155B (zh) | 一种基于导联注意力机制的多类心律失常检测方法 | |
Deng et al. | Extracting cardiac dynamics within ECG signal for human identification and cardiovascular diseases classification | |
CN106725428B (zh) | 一种心电信号分类方法及装置 | |
CN110623658B (zh) | 信号处理方法、信号处理装置、医学设备、存储介质 | |
Ripoll et al. | ECG assessment based on neural networks with pretraining | |
CN109091138B (zh) | 心律失常起源点的判断装置及标测*** | |
CN112545525B (zh) | 心电图数据分类方法、装置及*** | |
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*** | |
CN207084814U (zh) | 用于检测异常搏动的设备和*** | |
CN110148466B (zh) | 一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法 | |
CN110974214A (zh) | 一种基于深度学习的自动心电图分类方法、***及设备 | |
CN110638430B (zh) | 级联神经网络ecg信号心律失常分类模型的搭建方法 | |
CN106063704B (zh) | 一种基于正则化最小二乘回归学习的qrs波起点终点定位方法 | |
CN111528832A (zh) | 一种心律失常分类方法及其有效性验证方法 | |
CN111956203A (zh) | 心电信号参数化方法、模型训练方法、装置、设备及介质 | |
CN115881308A (zh) | 基于时空联合检测的心脏疾病分类模型构建方法 | |
Meqdad et al. | Meta structural learning algorithm with interpretable convolutional neural networks for arrhythmia detection of multisession ECG | |
Zhang et al. | A deep Bayesian neural network for cardiac arrhythmia classification with rejection from ECG recordings | |
CN112957052A (zh) | 一种基于nlf-cnn导联融合深度网络的多导联心电信号分类方法 | |
KR102560516B1 (ko) | 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치 및 방법 | |
CN116304765A (zh) | 一种基于谱空间表示学习的ecg波形聚类方法及*** | |
CN112022140B (zh) | 一种心电图的诊断结论自动诊断方法及*** | |
CN113990499A (zh) | 一种心脏年龄评估方法、装置、电子设备及存储介质 | |
Abawajy et al. | Minimal ensemble based on subset selection using ECG to diagnose categories of CAN |
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 |