CN113095302B - 用于心律失常分类的深度模型、利用该模型的方法及装置 - Google Patents

用于心律失常分类的深度模型、利用该模型的方法及装置 Download PDF

Info

Publication number
CN113095302B
CN113095302B CN202110556223.6A CN202110556223A CN113095302B CN 113095302 B CN113095302 B CN 113095302B CN 202110556223 A CN202110556223 A CN 202110556223A CN 113095302 B CN113095302 B CN 113095302B
Authority
CN
China
Prior art keywords
depth
sequence
layer
branch
scale
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
Application number
CN202110556223.6A
Other languages
English (en)
Other versions
CN113095302A (zh
Inventor
张政波
麻琛彬
兰珂
曹德森
晏沐阳
颜伟
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.)
Chinese PLA General Hospital
Original Assignee
Chinese PLA General Hospital
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 Chinese PLA General Hospital filed Critical Chinese PLA General Hospital
Priority to CN202110556223.6A priority Critical patent/CN113095302B/zh
Publication of CN113095302A publication Critical patent/CN113095302A/zh
Application granted granted Critical
Publication of CN113095302B publication Critical patent/CN113095302B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

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

Abstract

本申请提出一种用于心律失常分类的深度模型、利用该模型的方法及装置，其中，该深度模型包括：表征学习部分和序列学习部分；表征学习部分用于接收由原始心电信号解析的等长序列；表征学习部分基于MSCNN结构进行构建，由两个不同尺度堆叠的卷积块支路构成；支路一卷积核尺度较大，用以捕获心电信号的低频信息，以多尺度特征输出；支路二卷积核尺度较小，用以捕获心电信号的高频信息，以多尺度特征输出；支路一输出的多尺度特征和支路二输出的多尺度特征进行拼接，形成多尺度深度特征，用于输入到序列学习部分；序列学习部分基于以LSTM为基本单元的Seq‑Seq网络进行构建，所述Seq‑Seq网络在其编码器和解码器之间设置有注意力机制层；其输出为时序深度特征。

Description

用于心律失常分类的深度模型、利用该模型的方法及装置
技术领域
本发明涉及心律失常检测技术，尤其涉及一种无需滤波降噪、异常值检测、人工特征提取的心律失常自动检测方法。
背景技术
据统计，急性心脏病死亡占心血管疾病死亡总数的近一半，全世界近31％的死亡与心血管疾病有关，突发性心源性猝死的主要原因是心律失常。心电图是标准的记录心脏活动的非侵入性工具，是目前应用最广泛的最可信的心律失常检测手段。而心搏信号的心律失常分类对于心脏病专家来说，不仅会花费大量的时间，也增加了工作负担，仍是较为挑战的任务。这就需要一种轻量级的自动心律失常检测算法，为医生提供辅助决策支持，能极大改善甚至提高诊断效率，同时也可支持社区群体人群利用可穿戴设备实时高精度地自我监测(或自我诊断)心脏状况。
心电图按照监测时间长短可分为短时静态心电图、传统动态心电图和长程连续动态心电监测。临床健康筛查通常使用具有多导联静态心电图，但其受限于应用场景及医疗资源，往往穿戴不便且监测时间较短，许多阵发性心律失常如房颤、室性早搏等很难在短时内捕捉到异常。而传统动态心电图能够弥补监测时间短的不足，但其也同样穿戴不方便、监测时间较短、信号质量很难保证，且现有的计算机辅助诊断***的效果差，导致浪费较大的人力资源。
针对上述心电监测手段的诸多不足，我们采用了经过国家食品药品监督管理局认证的贴片式单导联长程连续动态生理参数监测设备(SensEchoTM)。其穿戴方便、信号质量较高、可长程连续动态监测心电和呼吸信号。目前也存在大量针对长程记录的单导联心电信号自动分析算法，主要包括基于模板匹配的算法、基于规则和基于传统机器学习技术的算法。基于模板匹配的算法旨在利用医生手动标注的若干异常心博去自动匹配其它相似度较高的心博，其存在如下缺陷：由于过于简单的匹配操作导致算法对噪声特别敏感；纯模板匹配方式不能给医生一个完整的初步结果，医生的工作量极大。基于规则的算法旨在利用心电相关医学知识对心博进行自动分析，其存在如下缺陷：规则本身由人为制定的，人类对于某种设备产生的心电图的知识本身可能是不全面的；另一方面心电图自身的不确定性导致规则中各参数普适性不强。基于传统机器学习技术的算法旨在利用人工提取特征、极端梯度提升树等分类器对心博进行分析。这些算法大多遵循三个主要步骤，包括：1)信号预处理，包括噪声滤波、数据增强等；2)人工提取特征；3)构造线性或非线性分类器。然而，数据清洗等信号预处理的方法将不可避免地损失生理信号中的有用信息，而且心电波形的个体差异导致依赖经验设计的特征往往会使得模型的鲁棒性和性能较低。
申请号为201910038442.8的专利公开了一种基于深度学习技术的心搏异常识别算法，其通过去基线漂移、低通滤波、提取心搏间期等信号处理算法，使用CNN-RNN的基本结构，以用于信号质量差、干扰大的长程动态心电信号。
申请号为201910095804.7的专利公开了一种基于BiLSTM-Attention深度神经网络的心搏分类算法，其采用双正交小波变换去除高频噪声和基线漂移，并通过二进样条小波变换检测R波峰值，进而计算RR间期及对QRS波群数据进行人工特征提取，在PhysioNetMIT-BIH(Massachusetts institute of Technology and the Boston Hospital)心律失常公开数据集上获得了较好的分类结果。
申请号为201910298194.0的专利公开了一种基于卷积神经网络的心率失常分类算法，通过去噪、心搏检测、信号维度转换等操作，在PhysioNet MIT-BIH心律失常公开数据集上获得了较好的分类结果。
申请号为202010712273.4的专利公开了一种基于深度学习的房颤事件检测方法，通过去
除干扰和无效数据、进行QRS检波分割心搏、心搏检测、信号维度转换等操作，但仅适用于房颤检测。
根据这些公开的基于深度学习算法的专利，仍然存在一些问题没有得到解决：1)模型没有交叉的互相关运算，大多仅限于稠密连接。因此这些深度模型往往会过拟合，在新的测试集上往往性能较差；2)大多专利展示的高精度分类结果只适用于数据量较少的单一的甚至公开的训练数据集，存在缺乏对异源数据的鲁棒性的风险；3)心律失常监测类别较少，美国医学仪器协会标准规定了常用的五种心律失常类型，但个别模型仅限于特定心搏类型的检测；4)模型训练开销巨大，计算消耗大量资源，仍具有优化空间。
发明内容
鉴于上述问题，本申请旨在提出一种用于心律失常分类的深度模型、利用该模型的方法及装置。
本申请的用于心律失常分类的深度模型，其包括：表征学习部分和序列学习部分；
表征学习部分用于接收由原始心电信号解析的等长序列；表征学习部分基于MSCNN(多尺度卷积神经网络，multi-scale convolutional neural network)结构进行构建，由两个不同尺度堆叠的卷积块支路构成；支路一卷积核尺度较大，用以捕获心电信号的低频信息，以多尺度特征输出；支路二卷积核尺度较小，用以捕获心电信号的高频信息，以多尺度特征输出；支路一输出的多尺度特征和支路二输出的多尺度特征进行拼接，形成多尺度深度特征，用于输入到序列学习部分；
序列学习部分基于以LSTM(长短时记忆，long short-term memory)为基本单元的Seq-Seq(序列到序列，sequence to sequence)网络进行构建，所述Seq-Seq网络在其编码器和解码器之间设置有注意力机制层；其输出为时序深度特征。
优选地，所述支路一、支路二分别由顺序连接的卷积感知层、第一池化层、Dropout层、三个连续堆叠的深度可分离卷积层、第二Dropout层、第二池化层、展平层组成。
优选地，所述支路一、支路二的第一池化层、Dropout层、三个连续堆叠的深度可分离卷积层、第二Dropout层、第二池化层、展平层相同。
优选地，所述支路一的卷积感知层的输入卷积核尺寸为5×1，通道数为32，跨越步长为3；
所述支路二的卷积感知层的输入卷积核尺寸为3×1，通道数为32，跨越步长为3；
所述支路一、支路二的三个连续堆叠的深度可分离卷积层的卷积核尺寸为3×1，通道数依次为64，128和256，步长均为1。
优选地，所述的以LSTM为基本单元的Seq-Seq网络为以Bi-LSTM为基本单元的Seq-Seq网络。
优选地，Bi-LSTM基本单元包括输入层、前向传播层、后向传播层；前向传播层及后向传播层分别向注意力机制层传递信息流；注意力机制层向解码器传递信息流。
本申请的深度模型的方法，其包括：
将原始心电信号解析为以R峰点为中心点切割成的等长序列后输入所述深度模型的表征学习部分；
所述深度模型的表征学习部分根据所接收的等长序列，输出所述多尺度深度特征至所述深度模型的序列学习部分；所述深度模型的序列学习部分根据所输入的所述多尺度深度特征，得到时序深度特征；
通过SoftMax根据所述时序深度特征计算各心律失常分类的概率。
优选地，将原始心电信号解析为以R峰点为中心点切割成等长序列后，进行数据增强和数据平衡，然后输入所述深度模型的表征学习部分。
本申请的用于心律失常分类的装置，其包括：深度模型单元、心电信号解析单元、分类概率计算单元；
深度模型单元通过计算设备实现，其被配置为包括权利要求1-6中任一项所述的深度模型；
心电信号解析单元通过计算设备实现，其被配置用于将原始心电信号解析为以R峰点为中心点切割成的等长序列；该等长序列作为深度模型单元的深度模型的输入；
分类概率计算单元通过计算设备实现，其被配置通过SoftMax根据深度模型单元的深度模型的输出的时序深度特征计算各种心律失常类型的概率。
本申请的用于心律失常分类的深度模型、利用该模型的方法及装置，通过轻量级计算来自动学***台上。
附图说明
图1是模型框架的基本结构示意图。
图2是总体训练策略和技术路线。
图3是深度可分离卷积块的基本结构。
图4为MSCNN(5,3)整体参数设置示意图。
具体实施方式
下面，结合附图对本申请进行详细说明。
针对心律失常检测任务的特点，本申请将心搏分类过程分为两个阶段：表征学习和序列学习。总体训练策略和技术路线如图2所示，可归纳为如下六个步骤。
1)解析心电信号，并使用R波检测算法识别并标记R峰，并依此对原始心电信号进行分割：根据心电信号收集设备的采样率，设定固定大小的时滞窗口，以R峰为中心，将信号截断为等长的时间序列，方便馈入卷积神经网络结构中，优选地，将窗口大小设定为超参数，以获得最优解。优选地，以200Hz采样的心电信号可切分为280个样本点的序列。
2)数据增强：使用时滞滑窗或随机平移剪裁等数据增强的方法扩增数据并模拟信号中容易出现的前置误差(噪声扰动大、心搏检测不准)。综合数据量，设定滑窗尺度，以适当扩充数据，优选地，将滑窗尺度设定为超参数，以获得最优解，可选地，将信号进行翻折、随机剪裁、混合噪声等操作，以提高模型鲁棒性。
3)数据平衡：针对信号类别的不平衡问题，使用基于数据分布的过采样方法扩增少数心律异常的样本量，避免样本分布偏态。随机切分数据后，观察训练数据分布，如果为偏态数据，优选使用基于数据分布过采样的SVM-SMOTE算法，以平衡少量异常类别的样本。值得注意的是，数据平衡需仅在训练数据上使用，通过观测未扩增的测试集表现情况评估是否过拟合，以保证模型训练可靠，避免过分地学习大样本特征。
4)构建以MSCNN结构为基本结构的表征学***直、抬高、颤动等直观特征，靠后的层则提取出一些更抽象的深度特征。
优选地，在MSCNN网络的主体结构选择深度可分离卷积块，其基本结构如图3所示，其由逐通道卷积和逐点卷积构成，加入批归一化层以加速收敛，使参数更新更加稳定。批归一化层估算批数据
Figure BDA0003077251870000051
的分布参数均值/>
Figure BDA0003077251870000055
和方差/>
Figure BDA0003077251870000052
并归一化为
Figure BDA0003077251870000053
然后对神经元加入可训练参数尺度系数δ和转换系数ε以保证其非线性特性，具体的计算公式如公式1-4所示。
Figure BDA0003077251870000054
Figure BDA0003077251870000061
Figure BDA0003077251870000062
Figure BDA0003077251870000063
优选地，多尺度网络设计两条支路以表征不同频率的深度特征。如本实施例所示，提取280样本点的心电序列{x(1),x(2),，x(280)}，使用不同尺度的卷积核以捕获并融合x(i)的频率特征，具体计算公式如公式5-8所示。代表较小尺度卷积核ks通过函数
Figure BDA0003077251870000064
获得x(i)的特征向量/>
Figure BDA0003077251870000065
同理，kl代表较大的卷积核。然后通过拼接操作将多尺度特征向量融合为(v(1),v(2),…，v(N)}方便馈入序列学习部分。
MSCNN结构中融合深度可分离卷积的结构进行堆叠，这种堆叠方式能够以较少学习参数的代价不断加深神经网络，获得更深层次的高级特征。
大尺度的卷积核能够以更大的感受野捕获信号全局特征，而小尺度的卷积核不但能够保证其局部感受野不变，还具有更多的非线性，使得判别函数更加具有判别性，更多地捕捉高频的信息，这种多尺度的感受野更能融合心电信号甚至生理信号的形态学信息。
一个优选实施例中，支路一卷积核尺度较大，用以捕获心电信号的低频信息，输入卷积核尺寸为5×1，通道数为32，跨越步长为3的卷积感知层，之后紧接池化层和Dropout层，然后输入三个连续堆叠的深度可分离卷积层，其卷积核尺寸为3×1，通道数依次为64，128和256，步长均为1。然后输入Dropout层和池化层，最后展平。支路二卷积核尺度较小，用以捕获心电信号的高频信息，除卷积核尺寸外，其他参数与支路一相同，支路二的卷积感知层卷积核尺寸为3×1，深度可分离卷积层卷积核尺寸为2×1。最后将支路一和支路二的多尺度特征拼接起来，以馈入之后的序列学习部分。MSCNN结构中，池化层池化尺寸为2×1，Dropout层设置随机失活概率为0.5。整体参数如图4所示，一般地，实施例可推广到表1的设置方式。
Figure BDA0003077251870000066
Figure BDA0003077251870000067
Figure BDA0003077251870000071
Figure BDA0003077251870000072
表1MSCNN可选参数设置
Figure BDA0003077251870000073
5)构建以Bi-LSTM(Bidirectional Long Short-Term Memory，长短时记忆)为基本单元的基于注意力机制的Seq-Seq网络，组成序列学习部分。由表征学习提取到的深度特征经过双向的LSTM网络，综合前向和后向的序列相关信息。在解码器之间加入注意力机制，提供从编码器到解码器的更丰富的上下文信息，解码器在预测输出序列的每个时间步时，通过注意力分配最佳权重，可以更加选择性地关注有助于分类的特征，通过编码器和解码器的Seq2Seq网络最终输出心搏的心律失常检测结果。
可选地，使用传统的LSTM单元作为Seq2Seq网络的基本结构，其计算公式如公式9-12所示，ht、vt和st代表单元在每一个时间步t的输出变量、输入变量及状态变量，ft和it代表遗忘门和输入们的输出变量。其可训练参数包括：Wf、Wi、WC和Wo，及其对应的偏置bf、bi、bc和bo，使得循环神经网络单元能够选择性决定有用的时序信息。
ft＝sigmoid(Wf·[ht-1，vt-1]+bf) 公式9
it＝sigmoid(Wi·[ht-1，vt-1]+bi) 公式10
st＝ft⊙st-1+it⊙tanh(Ws·[ht-1，vt-1]+bs) 公式11
ht＝sigmoid(Wo·[ht-1，vt-1]+bo)⊙tanh(st) 公式12
优选地，以Bi-LSTM单元代替传统的LSTM单元，传统结构受限于前一个输入状态，Bi-LSTM的提出就是为了解决这一局限性。Bi-LSTM基本单元包括输入层、前向传播层、后向传播层。这种结构可以高效融合MSCNN结构提取的深度特征的前向和后向信息，避免对信号首端信息的依赖。
双向结构可以同时处理正向和反向的数据，Bi-LSTM由两个LSTM叠加而成，输出由这两个单向LSTM的状态决定。前向网络的输入序列按时间顺序输入，后向道路的输入序列按时间顺序反向输入。最后，计算两个网络输出的加权和作为Bi-LSTM的输出，其计算机制由公式13-15表示。
Figure BDA0003077251870000081
表示将前向和后向网络的隐藏单元拼接在一起，最后得到输出向量/>
Figure BDA0003077251870000082
Figure BDA0003077251870000083
Figure BDA0003077251870000084
Figure BDA0003077251870000085
优选地，在编码器和解码器之间加入注意力机制。注意力从编码器向解码器提供更丰富的上下文，并提供学习到的优化权重，解码器在预测输出序列的每个时间步时，可以获得更丰富的上下文时序信息。前向传播层及后向传播层分别向注意力机制层传递信息流，注意力机制层综合信息权值为背景变量，并向解码器传递信息流。即，基于注意力的Seq2Seq模型通能够对重要的特征增加权重，融合编码器的隐藏向量，然后输出上下文向量(ct)。
注意力机制的权值分配有多种构造函数，可选地，可用Soft-Attention计算方法。具体计算如下：首先通过g(·)计算注意力权重，然后利用Softmax函数对权重进行归一化为概率(αi)，其表示编码器和解码器的隐藏状态ei和ht-1在每一个时间步长的重要性，最终通过权值分配得到背景变量ci。具体的计算步骤如公式16-18所示。
g(ht-1，ei)＝tanh(Whht-1+Weei) 公式16
Figure BDA0003077251870000086
Figure BDA0003077251870000087
使用上述4)和5)构件的深度学习模型，保证模型训练花费较小的情况下，在CNN-RNN结构的基础上，搭建出基于注意力机制的MSCNN-Seq2Seq模型，网络具有多尺度卷积核，能更高效地融合多粒度的时频特征，捕捉心电信号细微及全局的变异性，在处理心电信号甚至生理信号方面有很大的优势。
6)可选地，根据临床经验丰富的医学诊断专家对分类结果进行判别，对明显的检测错误进行校正，以进一步优化分类效果。
为验证实施例在异源数据中的有效性及鲁棒性，本申请在两个数据库上分布进行训练、验证和测试。数据库分别是：解放军总医院(PLAGH)收集的28人长程连续动态心电数据和中国生理信号挑战赛中公开的单导联心电数据库(CPSC 2018)。该两个数据库均为可以公开使用的资源。
PLAGH数据库记录自解放军总医院的28名住院患者，单导联心电信号由医疗级可穿戴SensEcho监测***采集，采样率为200Hz，每次记录的时间为20～24小时。心电图信号由心脏专家根据AAMI进行标定，心律失常分为五类，分别是房性早搏(PAC)、室性早搏(PVC)、房颤(AF)、伪差和正常窦性心律(NSR)。
CPSC 2018从11家医院收集，包含6877份12导联心电图记录，本研究中所有实验均利用导联Ⅱ记录作为输入心电信号。心电图记录的采样频率为500Hz，数据的信号长度为6～60秒，记录的标签包括1个正常型和8个异常型，但本实施例只用5组来匹配PLAGH的心跳标志物，并用齐作为模型的完整测试集。
实验数据的样本分布如下所示：
Figure BDA0003077251870000091
上述数据均可在公开获得。
本实施例的评价指标包括准确率(ACC)、灵敏度(SED)、特异性(SPEC)、精度(PRE)和F1分数，定义如公式19-23所示。其中，TP、TN、FP和FN分别表示被模型预测为正类的正样本、被模型预测为负类的负样本、被模型预测为正类的负样本、被模型预测为负类的正样本。
Figure BDA0003077251870000092
Figure BDA0003077251870000093
Figure BDA0003077251870000094
Figure BDA0003077251870000101
Figure BDA0003077251870000102
本实施例的验证采用TensorFlow静态图编程深度学习库，以加快代码编译速度。采用scikit-learn库对信号进行了归一化和过采样等预处理。实验研究中使用的计算机采用Intel Core i7-9750H 2.60GHz CPU，32GB内存，8GB NVIDIA GeForce RTX 2070显卡。为了保证所有实验研究的一致性，数据被分为80％的训练和20％的验证，所有提出的模型都使用相同的数据集。此外，整个CPSC 2018数据集被用作模型的测试集，该数据集已经加载了PLAGH数据集的预训练权重。
本实施例在PLAGH数据库上预训练，在CPSC 2018数据集上进行测试，实施例个别变体其分类性能和计算效率均优于经典模型VGG-16和CNN-RNN的性能，具体结果展示如下。
Figure BDA0003077251870000103
Figure BDA0003077251870000111
因此，本发明提出了一种名为MSCNN-Seq2Seq的新型端到端深度模型的心律失常检测算法，用于从多中心数据库心电信号的心搏分类。MSCNN-Seq2Seq是解决从单导联心电信号进行多类心律失常分类问题的优秀方案。它为其他信号处理问题中涉及到信号的多尺度时空融合提供了一个范例。实施例使用单中心数据库进行模型训练，然后使用多中心数据库进行测试以评估其鲁棒性。所提出的算法检测心律失常分两步进行：利用MSCNN进行表征学***均F1分数达到99.57％，超过参考的经典VGG-16模型26.23％。为了测试模型的泛化能力，实施例在未经训练的CPSC 2018数据集上进行了验证，F1分数为95.76％。此外，MSCNN-Seq2Seq仅为VGG-16的四分之一的参数量，节约内存的同时降低过拟合风险，具有实时监测的能力。
将上述深度模型以及利用深度模型进行心律失常分类的方法在计算设备上进行实现，就形成了本申请的用于心律失常分类的装置。计算设备这里指计算机、服务器、平板电脑、智能手机等具备一定计算能力的设备。这些设备通过执行相应的程序或功能模块对应的程序，外在地表现为深度模型单元、心电信号解析单元、分类概率计算单元。
本申请的深度模型，1)充分利用心电信号的周期性。原始信号局部波形特征和节律变异等全局特征都有助于心律失常的检测；2)充分捕捉阵发性心律或异位节律在心电图记录中的间歇性特征，以提高其灵敏度；3)充分利用现有公开数据集及临床真实场景中收集的信号，以充分拟合不同分布的数据，对非信息部分的干扰具有鲁棒性；4)模型设计充分融合多类数据集的多尺度频率和时间分布来源的信息；5)模型设计通过轻量级计算来自动学***台上。
针对原始心电信号及心律失常检测任务的特点，本申请将心律失常检测过程分为两个阶段：表征学***化处理，输入由RNN组成的序列学习网络。序列学习的基本单元是Bi-LSTM单元，多层叠加构成编码器-解码器的结构。并在解码器-编码器之间加入注意力模块，为不同信号段提取的特征分配权重，并输出上下文向量转发给解码器。最终分类结果由SoftMax层根据合成的特征向量机进行计算。
本申请利用人工智能技术，在可穿戴设备收集的单导联心电信号中进行基于心搏的多分类心律失常检测，并具有高准确度、高鲁棒性的特点，以大幅度降低后续的人力成本，为临床提供实用的辅助诊断决策支持。本申请设计并采用了诸多新思路和新技术，主要有以下优势：1)展示了基于时间序列分析的多尺度时间-频率融合算法在深度模型中应用的有效性。2)避免了滤波降噪、人工特征提取的繁冗步骤，实现了端到端的深度网络算法。3)使用适当的数据增强方法，在本身偏态的数据库上仍具有优秀的分类结果。4)在三个不同来源的数据库上对端到端模型进行了验证，结果显示出较强的鲁棒性。5)从心电信号中检测多种心律失常和正常窦性节律的F1分数提高了99.57％，高于已经存在的最先进的算法。6)分析并验证了医疗级可穿戴设备在临床环境中采集的单导联心电信号实际应用的可行性。7)相对于经典的VGG-16网络，仅有四分之一的内存消耗，计算开销减少76.37％以上。
除非另有定义，本申请中使用的所有技术和/或科学术语具有与由本发明所涉及的领域的普通技术人员通常理解的相同含义。本申请中提到的材料、方法和实施例仅为说明性的，而非限制性的。
虽然已结合具体实施方式对本发明进行了描述，在本申请的发明主旨下，本领域的技术人员可以进行适当的替换、修改和变化，这种替换、修改和变化仍属于本申请的保护范围。

Claims (5)

1.一种用于心律失常分类的深度模型，其包括：表征学习部分和序列学习部分；
表征学习部分用于接收由原始心电信号解析的等长序列；表征学习部分基于MSCNN结构进行构建，由两个不同尺度堆叠的卷积块支路构成；支路一卷积核尺度较大，用以捕获心电信号的低频信息，以多尺度特征输出；支路二卷积核尺度较小，用以捕获心电信号的高频信息，以多尺度特征输出；支路一输出的多尺度特征和支路二输出的多尺度特征进行拼接，形成多尺度深度特征，用于输入到序列学习部分；
序列学习部分基于以LSTM为基本单元的Seq-Seq网络进行构建，所述Seq-Seq网络在其编码器和解码器之间设置有注意力机制层；其输出为时序深度特征；
所述支路一、支路二分别由顺序连接的卷积感知层、第一池化层、Dropout层、三个连续堆叠的深度可分离卷积层、第二Dropout层、第二池化层、展平层组成；
所述支路一、支路二的第一池化层、Dropout层、三个连续堆叠的深度可分离卷积层、第二Dropout层、第二池化层、展平层相同；
所述支路一的卷积感知层的输入卷积核尺寸为5×1，通道数为32，跨越步长为3；
所述支路二的卷积感知层的输入卷积核尺寸为3×1，通道数为32，跨越步长为3；
所述支路一、支路二的三个连续堆叠的深度可分离卷积层的卷积核尺寸为3×1，通道数依次为64，128和256，步长均为1；
所述的以LSTM为基本单元的Seq-Seq网络为以Bi-LSTM为基本单元的Seq-Seq网络；
Bi-LSTM基本单元包括输入层、前向传播层、后向传播层；前向传播层及后向传播层分别向注意力机制层传递信息流；注意力机制层向解码器传递信息流。
2.一种利用权利要求1所述的深度模型的方法，其包括：
将原始心电信号解析为以R峰点为中心点切割成的等长序列后输入所述深度模型的表征学习部分；
所述深度模型的表征学习部分根据所接收的等长序列，输出所述多尺度深度特征至所述深度模型的序列学习部分；所述深度模型的序列学习部分根据所输入的所述多尺度深度特征，得到时序深度特征；
通过SoftMax根据所述时序深度特征计算各心律失常分类的概率。
3.根据权利要求2所述的方法，其特征在于：
将原始心电信号解析为以R峰点为中心点切割成等长序列后，进行数据增强和数据平衡，然后输入所述深度模型的表征学习部分。
4.一种用于心律失常分类的装置，其包括：深度模型单元、心电信号解析单元、分类概率计算单元；
深度模型单元通过计算设备实现，其被配置为包括权利要求1所述的深度模型；
心电信号解析单元通过计算设备实现，其被配置用于将原始心电信号解析为以R峰点为中心点切割成的等长序列；该等长序列作为深度模型单元的深度模型的输入；
分类概率计算单元通过计算设备实现，其被配置通过SoftMax根据深度模型单元的深度模型的输出的时序深度特征计算各种心律失常类型的概率。
5.根据权利要求4所述的用于心律失常分类的装置，其特征在于：
心电信号解析单元将原始心电信号解析为以R峰点为中心点切割成等长序列后，进行数据增强和数据平衡，然后输入所述深度模型的表征学习部分。
CN202110556223.6A 2021-05-21 2021-05-21 用于心律失常分类的深度模型、利用该模型的方法及装置 Active CN113095302B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110556223.6A CN113095302B (zh) 2021-05-21 2021-05-21 用于心律失常分类的深度模型、利用该模型的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110556223.6A CN113095302B (zh) 2021-05-21 2021-05-21 用于心律失常分类的深度模型、利用该模型的方法及装置

Publications (2)

Publication Number Publication Date
CN113095302A CN113095302A (zh) 2021-07-09
CN113095302B true CN113095302B (zh) 2023-06-23

Family

ID=76664575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110556223.6A Active CN113095302B (zh) 2021-05-21 2021-05-21 用于心律失常分类的深度模型、利用该模型的方法及装置

Country Status (1)

Country Link
CN (1) CN113095302B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113409092B (zh) * 2021-07-12 2024-03-26 上海明略人工智能(集团)有限公司 一种异常特征信息提取方法、***、电子设备及介质
CN114711780A (zh) * 2022-03-04 2022-07-08 平安科技（深圳）有限公司 多导联心电图信号处理方法、装置、设备及存储介质
CN114697096A (zh) * 2022-03-23 2022-07-01 重庆邮电大学 基于空时特征和注意力机制的入侵检测方法
CN114847963B (zh) * 2022-05-06 2023-08-01 广东工业大学 一种高精度的心电图特征点检测方法
CN115099275B (zh) * 2022-06-29 2023-07-07 西南医科大学 一种基于人工神经网络的心律失常诊断模型的训练方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107811626A (zh) * 2017-09-10 2018-03-20 天津大学 一种基于一维卷积神经网络和s变换的心律失常分类方法
CN109893118A (zh) * 2019-03-05 2019-06-18 武汉大学 一种基于深度学习的心电信号分类诊断方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190076031A1 (en) * 2013-12-12 2019-03-14 Alivecor, Inc. Continuous monitoring of a user's health with a mobile device
CN107510452B (zh) * 2017-09-30 2019-10-08 扬美慧普（北京）科技有限公司 一种基于多尺度深度学习神经网络的心电检测方法
CN110313894A (zh) * 2019-04-15 2019-10-11 四川大学 基于卷积神经网络的心率失常分类算法
CN110890155B (zh) * 2019-11-25 2022-10-28 中国科学技术大学 一种基于导联注意力机制的多类心律失常检测方法
CN111341386B (zh) * 2020-02-17 2022-09-20 大连理工大学 引入注意力的多尺度CNN-BiLSTM非编码RNA互作关系预测方法
CN111938607A (zh) * 2020-08-20 2020-11-17 中国人民解放军总医院 基于多元参数融合的智能监护报警方法及其***
CN111904411B (zh) * 2020-08-25 2022-09-23 浙江工业大学 基于多尺度特征提取的多导联心跳信号分类方法及装置
CN112716498A (zh) * 2020-12-29 2021-04-30 北京理工大学 基于动态时间规整和符号动力学的心电信号特征提取方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107811626A (zh) * 2017-09-10 2018-03-20 天津大学 一种基于一维卷积神经网络和s变换的心律失常分类方法
CN109893118A (zh) * 2019-03-05 2019-06-18 武汉大学 一种基于深度学习的心电信号分类诊断方法

Also Published As

Publication number Publication date
CN113095302A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
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
CN107951485B (zh) 基于人工智能自学习的动态心电图分析方法和装置
Oh et al. Automated diagnosis of arrhythmia using combination of CNN and LSTM techniques with variable length heart beats
US11529103B2 (en) Artificial intelligence self-learning-based automatic electrocardiography analysis method and apparatus
Pathinarupothi et al. Instantaneous heart rate as a robust feature for sleep apnea severity detection using deep learning
CN109411042B (zh) 心电信息处理方法和心电工作站
EP3614301A1 (en) Artificial intelligence-based interference recognition method for electrocardiogram
EP3698709A1 (en) Electrocardiogram information processing method and electrocardiogram workstation system
US20080103403A1 (en) Method and System for Diagnosis of Cardiac Diseases Utilizing Neural Networks
CN113397555A (zh) 生理参数监测用c-lstm的心率失常分类算法
CN110638430B (zh) 级联神经网络ecg信号心律失常分类模型的搭建方法
Fang et al. Dual-channel neural network for atrial fibrillation detection from a single lead ECG wave
Yu et al. DDCNN: A deep learning model for AF detection from a single-lead short ECG signal
Ullah et al. An End‐to‐End Cardiac Arrhythmia Recognition Method with an Effective DenseNet Model on Imbalanced Datasets Using ECG Signal
Zeng et al. Ensemble learning on heartbeat type classification
Prakash et al. A system for automatic cardiac arrhythmia recognition using electrocardiogram signal
Rawi et al. Classification and detection of ECG arrhythmia and myocardial infarction using deep learning: a review
Papadogiorgaki et al. Heart rate classification using ECG signal processing and machine learning methods
Xie et al. Discrete Biorthogonal Wavelet Transform Based Convolutional Neural Network for Atrial Fibrillation Diagnosis from Electrocardiogram.
Upasani et al. Automated ECG Diagnosis
Liu et al. Ensemble learning-based atrial fibrillation detection from single lead ECG wave for wireless body sensor network
Song et al. [Retracted] A Multimodel Fusion Method for Cardiovascular Disease Detection Using ECG
Madona et al. Classification of ECG signals using the Naïve Bayes classification method and its implementation in android-based smart health care
Liu et al. Adaptive atrial fibrillation detection focused on atrial activity analysis
Lennox et al. Robust classification of cardiac arrhythmia using a deep neural network

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