CN114648049A - 一种心电图像分类模型构建和分类的方法、装置及*** - Google Patents
一种心电图像分类模型构建和分类的方法、装置及*** Download PDFInfo
- Publication number
- CN114648049A CN114648049A CN202210546622.9A CN202210546622A CN114648049A CN 114648049 A CN114648049 A CN 114648049A CN 202210546622 A CN202210546622 A CN 202210546622A CN 114648049 A CN114648049 A CN 114648049A
- Authority
- CN
- China
- Prior art keywords
- image
- classification
- electrocardiogram
- electrocardio
- neural network
- 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
Links
- 238000013145 classification model Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003062 neural network model Methods 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 238000012795 verification Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000010276 construction Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 239000012634 fragment Substances 0.000 claims description 3
- 230000000747 cardiac effect Effects 0.000 claims 1
- 206010003119 arrhythmia Diseases 0.000 description 4
- 230000006793 arrhythmia Effects 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003792 electrolyte Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/333—Recording apparatus specially adapted therefor
- A61B5/338—Recording by printing on paper
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Surgery (AREA)
- Computing Systems (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Cardiology (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种心电图像分类模型构建和分类的方法、装置及***，其模型构建方法包括：获取心电信号及其特征分类标签，根据所述心电信号绘制心电图像，构建各个特征分类标签下的心电图数据集；对所述心电图数据集中的心电图像进行预处理，并通过随机分类法将所述心电图数据集分为训练集、验证集和测试集；构建深度神经网络模型，基于所述训练集和验证集对其进行训练优化获得初始心电分类神经网络模型；基于所述测试集对所述初始心电分类神经网络模型进行模型测试，获得目标心电图像分类模型。本发明通过建立心电图像分类神经网络模型对纸质心电图像实现快速分类。
Description
技术领域
本发明涉及图像分类技术领域，尤其涉及一种心电图像分类模型构建和分类的方法、装置及***。
背景技术
在临床诊断中，心电图是监测病人心脏电活动的主要方法，这使得心电图被广泛应用于疾病诊断、制定治疗计划、档案管理等方面。纸质心电图是将心电图机获取的心电信号打印在热敏纸上得到的，这是医生和患者最常接触到的心电图样式。由于纸张易破碎且热敏纸字迹不稳定、易消退，多数纸质心电图都遭到了不同程度的破坏。而这些纸质心电图是一笔宝贵的财富，可以建立丰富的病例数据库、有助于学者进行科研分析、增加医生临床诊断经验以及支持在线远程诊断等等。因此，很多研究者关注于从纸质心电图中提取心电信号并基于所提取的信号进行相关的分类任务。然而，这些方法存在以下几个问题：
心电信号提取的准确性问题。噪音、背景栅格及字迹等因素的干扰会极大地影响到心电信号提取的准确性。目前纸质心电图心电信号提取还需要人工干预。心电信号数值转换问题。从纸质心电图中获取到的曲线是以矩阵的形式存在，而临床上采集的心电信号是由高维向量表示的。如何实现心电信号的准确转换是值得研究的问题。
尽管通过将心电信号数字化的方法可以永久保存心电信号，但是通过扫描和拍摄的方式同样可以永久记录患者的纸质心电图，甚至还能保存患者在记录心电图时的相关信息。目前尚没有直接针对纸质心电图进行分析处理的方法。
发明内容
为解决背景技术中存在的技术问题，本发明提出一种心电图像分类模型构建和分类的方法、装置及***，实现直接从纸质心电图像着手，快速进行心电图像分类。
本发明提出一种心电图像分类模型构建方法，包括：
S1：获取心电信号及其特征分类标签，根据所述心电信号绘制心电图像，构建各个特征分类标签下的心电图数据集；
S2：对所述心电图数据集中的心电图像进行预处理，并通过随机分类法将所述心电图数据集分为训练集、验证集和测试集；
S3：构建深度神经网络模型，基于所述训练集和验证集对其进行训练优化获得初始心电分类神经网络模型；所述心电分类神经网络模型以心电图像为输入，以所述心电图像特征符合各特征分类标签的概率为输出；
S4：基于所述测试集对所述初始心电分类神经网络模型进行模型测试，判断其评价指标是否符合预设评价标准，若是，则获得目标心电图像分类模型。
优选地，所述步骤S1具体包括：
S11：获取心电信号及其特征分类标签，对所述心电信号其以固定频率进行重采样处理；
S12：对所述重采样处理后的心电信号以固定长度进行裁剪处理；
S13：对所述裁剪处理后的心电片段进行陷波滤波和带通滤波处理；
S14：根据所述滤波处理后的心电片段绘制出心电图像，并根据所述特征分类标签构建各个特征分类标签下的心电图数据集。
优选地，所述步骤S2中对所述心电图数据集中的心电图像进行预处理，具体包括：
S21：读取心电图像，判断所述心电图像是否为RGB图像；若否，则将所述心电图像转换为RGB图像；
S22：从转换后的心电图像中随机裁剪不同大小和高宽比的图像块；
S23：将不同大小和高宽比的图像块缩放至固定大小；
S24：以预设概率值对所述图像块进行水平翻转处理，并将其类型转化为张量；
S25：以预设均值和标准差对心电图像进行归一化操作。
优选地，所述步骤S3具体包括：
S31：以心电图像为输入，以所述心电图像特征符合各特征分类标签的预测概率为输出构建深度神经网络模型；
S32：通过前向传播算法提取所述训练集中心电图像特征，通过所述深度神经网络模型得到预测结果；
S33：通过损失函数求得所述训练集的预测结果和实际特征分类标签之间的差异之间的第一损失值；
S34：结合基于链式求导法则的反向传播算法和
优化算法来对所述深度神经网络模型中的权重参数进行梯度更新；
S35：通过验证集对所述深度神经网络模型进行优化，基于损失函数求得所述验证集的预测结果和实际特征分类标签之间的差异之间的第二损失值；
S36：重复步骤S31-S35，直至所述深度神经网络模型收敛；记录第一损失值、第二损失值在权重参数更新的过程中的变化曲线；利用第一损失值更新深度神经网络模型内部的权重参数，根据第二损失值保存我们所需要的心电分类神经网络模型。
优选地，所述损失函数具体为：
基于同一发明构思，本发明还提出一种心电图像分类模型构建装置，包括：
获取模块，用于获取心电信号及其特征分类标签，根据所述心电信号绘制心电图像，构建各个特征分类标签下的心电图数据集；
预处理模块：用于对所述心电图数据集中的心电图像进行预处理，并通过随机分类法将所述心电图数据集分为训练集、验证集和测试集；
模型构建模块：用于构建深度神经网络模型，基于所述训练集和验证集对其进行训练优化获得初始心电分类神经网络模型；所述心电分类神经网络模型以心电图像为输入，以所述心电图像特征符合各特征分类标签的概率为输出；
测试模块，用于基于所述测试集对所述初始心电分类神经网络模型进行模型测试，判断其评价指标是否符合预设评价标准，若是，则获得目标心电图像分类模型。
基于同一发明构思，本发明还提出一种心电图像分类模型构建***，包括：
信号获取装置，用于获取心电信号及其特征分类标签；
存储器，用于存储程序；
处理器，用于接收所述心电信号及其特征分类标签，执行所述程序以实现上述心电图像分类模型构建方法中的方法。
基于同一发明构思，本发明还提出一种心电图像分类方法，包括：
获取待分类的纸质心电图图像；
将待分类的纸质心电图图像输入至心电图分类模型获得各特征分类标签的预测概率；
所述心电图分类模型为上述的心电图像分类模型构建方法所获得的心电图分类模型。
基于同一发明构思，本发明还提出一种心电图像分类装置，包括：
图像获取单元，用于获取纸质心电图图像；
分类单元，用于将所述纸质心电图图像输入至心电图分类模型获得各特征分类标签的预测概率；
所述心电图分类模型为根据上述的心电图像分类模型构建方法所获得的心电图分类模型。
基于同一发明构思，本发明还提出一种心电图像分类***，包括：
图像获取单元，用于获取纸质心电图图像；
存储器，用于存储程序；
处理器，用于接收所述纸质心电图图像，执行所述程序以实现上述心电图像分类方法中的方法。
本发明中，直接从纸质心电图像着手，通过建立心电图像分类神经网络模型对纸质心电图像实现快速分类，实现了直接从扫描或拍摄的纸质心电图像中进行心律失常、疾病、电解质代谢是否紊乱等分类特征的读取。通过建立心电图像分类深度神经网络来实现对纸质心电图图像快速进行特征分类，有助于建立丰富的病例数据库，解决了纸质心电图容易破坏难以保存的问题。
附图说明
图1为本发明提出的一种心电图像分类模型构建方法的流程示意图；
图2为本发明提出的一种心电图像分类方法的流程示意图；
图3为本发明提出的一种心电图像分类装置的结构示意图；
图4为本发明提出的一种心电图像分类模型构建和分类方法的示意图。
具体实施方式
如图1所示，图1为本发明实施例一种心电图像分类模型构建方法的流程图；
参照图1，本发明实施例提出的一种心电图像分类模型构建方法，包括：
步骤S1：获取心电信号及其特征分类标签，根据所述心电信号绘制心电图像，构建各个特征分类标签下的心电图数据集；
在本实施例中，所述步骤S1具体包括：
S11：获取心电信号及其特征分类标签，对所述心电信号其以固定频率进行重采样处理；
S12：对所述重采样处理后的心电信号以固定长度进行裁剪处理；
S13：对所述裁剪处理后的心电片段进行陷波滤波和带通滤波处理；
S14：根据所述滤波处理后的心电片段绘制出心电图像，并根据所述特征分类标签构建各个特征分类标签下的心电图数据集。
具体地，在本实施例中，通过网站下载获得12导联心电信号，对其进行重采样、裁剪、滤波等处理后的片段绘制成12导联的纸质心电图像；再根据网站提供的特征分类标签，构建各个特征分类标签下的数据集。
需要说明的是，本发明实施例中，所述特征分类标签包括但不限于心律失常、疾病、电解质代谢是否紊乱等分类任务所设置的特征标签。
S2：对所述心电图数据集中的心电图像进行预处理，并通过随机分类法将所述心电图数据集分为训练集、验证集和测试集；
在本实施例中，所述步骤S2中对所述心电图数据集中的心电图像进行预处理，具体包括：
S21：读取心电图像，判断所述心电图像是否为RGB图像；若否，则将所述心电图像转换为RGB图像；
S22：从转换后的心电图像中随机裁剪不同大小和高宽比的图像块；
S23：将不同大小和高宽比的图像块缩放至固定大小；
S24：以预设概率值对所述图像块进行水平翻转处理，并将其类型转化为张量；
S25：以预设均值和标准差对心电图像进行归一化操作。
具体地，在本实施例中，预设概率值设为0.5，均值和标准差设为0.5；经过归一化后的图像整合至数据存储器dataloader中输入至深度神经网络。
在本实施例中，所述通过随机分类法将所述心电图数据集分为训练集、验证集和测试集，具体包括：（1）将各个特征分类下的心电图像放置在对应的文件夹中；（2）获取文件夹中文件名列表；（3）根据设定好的比例和文件名列表长度计算出训练集、验证集和测试集中纸质心电图的数量；（4）通过函数打乱文件名列表；（5）根据从左往右的顺序按照步骤（3）计算出的不同数量将心电图像分配到训练集、验证集和测试集中；（6）重复（2）-（5）操作，直至所有特征分类下的数据全部划分完毕。
S3：构建深度神经网络模型，基于所述训练集和验证集对其进行训练优化获得初始心电分类神经网络模型；所述心电分类神经网络模型以心电图像为输入，以所述心电图像特征符合各特征分类标签的概率为输出；
在本实施例中，步骤S3具体包括：
S31：以心电图像为输入，以所述心电图像特征符合各特征分类标签的预测概率为输出构建深度神经网络模型；
具体地，输入的心电图像数据为
，深度神经网络的输出为概率为
。其中，
表示输入网络的批次大小，
表示心电图像的通道数，
和
分别表示预处理后心电图像的长度和宽度，
表示特征分类的数量。
需要说明的是，对于分类模型我们不限制其内部结构，只需保证输入输出的形状一致即可。
S32：通过前向传播算法提取所述训练集中心电图像特征，通过所述深度神经网络模型得到预测结果；
S33：通过损失函数求得所述训练集的预测结果和实际特征分类标签之间的差异之间的第一损失值；
S34：结合基于链式求导法则的反向传播算法和
优化算法来对所述深度神经网络模型中的权重参数进行梯度更新；
需要说明的是，在本实施例中，获取在ImageNet1K数据集上训练好的分类模型的权重参数作为心电图分类模型的初始权重进行学习更新；
在本实施例中，使用
优化算法对深度神经网络中的参数进行更新直至深度神经网络收敛，从而寻找损失函数最优解。
S35：通过验证集对所述深度神经网络模型进行优化，基于损失函数求得所述验证集的预测结果和实际特征分类标签之间的差异之间的第二损失值；
在本实施例中，所述损失函数具体为：
S36：重复步骤S31-S35，直至所述深度神经网络模型收敛；记录第一损失值、第二损失值在权重参数更新的过程中的变化曲线；利用第一损失值更新深度神经网络模型内部的权重参数，根据第二损失值保存我们所需要的心电分类神经网络模型。
S4：基于所述测试集对所述初始心电分类神经网络模型进行模型测试，判断其评价指标是否符合预设评价标准，若是，则获得目标心电图像分类模型。
如表1所示，表1为本发明实施例的心电图像分类模型的测试结果，其中横向参数表示各个特征分类标签，纵向参数表示评价指标。
表1 心电图像分类模型的测试结果
在本实施例中，使用的评价指标分别是AUC、Precision、Recall、F1。其中，AUC表示随机从样本中抽取一个阳性样本和阴性样本，阳性样本的预测值大于阴性样本的概率；Precision是预测正确的阳性样本在所有被识别的阳性样本中占的比例；Recall是指被识别出的阳性样本在所有阳性样本中占的比例；F1是预测正确的阳性样本在所有被识别的阳性样本和实际的阳性样本中占的比例。
需要说明的是，在本发明实施例中，预设评价标准为所述每个评价指标的范围均在0-1之间，其中，指标的数值越高越好。
本发明实施例还提出一种心电图像分类模型构建装置，包括：
获取模块，用于获取心电信号及其特征分类标签，根据所述心电信号绘制心电图像，构建各个特征分类标签下的心电图数据集；
预处理模块：用于对所述心电图数据集中的心电图像进行预处理，并通过随机分类法将所述心电图数据集分为训练集、验证集和测试集；
模型构建模块：用于构建深度神经网络模型，基于所述训练集和验证集对其进行训练优化获得初始心电分类神经网络模型；所述心电分类神经网络模型以心电图像为输入，以所述心电图像特征符合各特征分类标签的概率为输出；
测试模块，用于基于所述测试集对所述初始心电分类神经网络模型进行模型测试，判断其评价指标是否符合预设评价标准，若是，则获得目标心电图像分类模型。
本发明实施例还提出一种心电图像分类模型构建***，包括：
信号获取装置，用于获取心电信号及其特征分类标签；
存储器，用于存储程序；
处理器，用于接收所述心电信号及其特征分类标签，执行所述程序以实现上述心电图像分类模型构建方法中的操作。
在一些实施例中，可以将上述实施例所述的心电图像分类模型部署至服务器进行使用，例如将完成训练的模型部署至服务器并结合相关软件或小程序实现纸质心电图像端到端的自动分类功能；通过将扫描或拍摄到的纸质心电图像输入软件或小程序；实现通过软件或小程序将纸质心电图像输入纸质心电图分类模型就能得到输入纸质心电图像中各特征分类标签的预测概率。
基于上述应用情形，如图2所示，本发明实施例还提出一种心电图像分类方法，包括：
获取待分类的纸质心电图图像；
将待分类的纸质心电图图像输入至心电图分类模型获得各特征分类标签的预测概率；
需要说明的是，所述心电图分类模型为上述实施例中心电图像分类模型构建方法所获得的心电图分类模型。
如图3所示，本发明实施例还提出一种心电图像分类装置，包括：
图像获取单元，用于获取纸质心电图图像；
分类单元，用于将所述纸质心电图图像输入至心电图分类模型获得各特征分类标签的预测概率；
所述心电图分类模型为根据上述实施例中心电图像分类模型构建方法所获得的心电图分类模型。
本发明实施例还提出一种心电图像分类***，包括：
图像获取单元，用于获取纸质心电图图像；
存储器，用于存储程序；
处理器，接收所述心电图像样本图像，用于执行所述程序以实现上述实施例中心电图像分类方法中的操作。
如图4所示，在本发明实施例中，通过心电图像分类模型构建方法，获取开源心电信号数据后，构建了特征分类标签为心律失常类型数据集，经过预处理后输入至构建的深度神经网络，进一步进行训练获得最终的深度神经网络分类模型，将完成训练的模型部署至服务器，图像获取单元获取纸质心电图图像后，将待分类的心电图像图像输入（input）至服务器中，服务器输出（output）各特征分类标签的预测概率。
本发明实施例通过建立心电图像分类深度神经网络来实现对纸质心电图图像快速进行特征分类，有助于建立丰富的病例数据库，解决了纸质心电图容易破坏难以保存的问题。
需要说明的是，上述实施例中程序可以是一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
本领域技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种心电图像分类模型构建方法，其特征在于，包括：
S1：获取心电信号及其特征分类标签，根据所述心电信号绘制心电图像，构建各个特征分类标签下的心电图数据集；
S2：对所述心电图数据集中的心电图像进行预处理，并通过随机分类法将所述心电图数据集分为训练集、验证集和测试集；
S3：构建深度神经网络模型，基于所述训练集和验证集对其进行训练优化获得初始心电分类神经网络模型；所述心电分类神经网络模型以心电图像为输入，以所述心电图像特征符合各特征分类标签的概率为输出；
S4：基于所述测试集对所述初始心电分类神经网络模型进行模型测试，判断其评价指标是否符合预设评价标准，若是，则获得目标心电图像分类模型。
2.根据权利要求1所述的心电图像分类模型构建方法，其特征在于，所述步骤S1具体包括：
S11：获取心电信号及其特征分类标签，对所述心电信号其以固定频率进行重采样处理；
S12：对所述重采样处理后的心电信号以固定长度进行裁剪处理；
S13：对所述裁剪处理后的心电片段进行陷波滤波和带通滤波处理；
S14：根据所述滤波处理后的心电片段绘制出心电图像，并根据所述特征分类标签构建各个特征分类标签下的心电图数据集。
3.根据权利要求1所述的心电图像分类模型构建方法，其特征在于，所述步骤S2中对所述心电图数据集中的心电图像进行预处理，具体包括：
S21：读取心电图像，判断所述心电图像是否为RGB图像；若否，则将所述心电图像转换为RGB图像；
S22：从转换后的心电图像中随机裁剪不同大小和高宽比的图像块；
S23：将不同大小和高宽比的图像块缩放至固定大小；
S24：以预设概率值对所述图像块进行水平翻转处理，并将其类型转化为张量；
S25：以预设均值和标准差对心电图像进行归一化操作。
4.根据权利要求1所述的心电图像分类模型构建方法，其特征在于，所述步骤S3具体包括：
S31：以心电图像为输入，以所述心电图像特征符合各特征分类标签的预测概率为输出构建深度神经网络模型；
S32：通过前向传播算法提取所述训练集中心电图像特征，通过所述深度神经网络模型得到预测结果；
S33：通过损失函数求得所述训练集的预测结果和实际特征分类标签之间的差异之间的第一损失值；
S34：结合基于链式求导法则的反向传播算法和
优化算法来对所述深度神经网络模型中的权重参数进行梯度更新；
S35：通过验证集对所述深度神经网络模型进行优化，基于损失函数求得所述验证集的预测结果和实际特征分类标签之间的差异之间的第二损失值；
S36：重复步骤S31-S35，直至所述深度神经网络模型收敛；记录第一损失值、第二损失值在权重参数更新的过程中的变化曲线；利用第一损失值更新深度神经网络模型内部的权重参数，根据第二损失值保存我们所需要的心电分类神经网络模型。
5.根据权利要求4所述的心电图像分类模型构建方法，其特征在于，所述损失函数具体为：
6.一种心电图像分类模型构建装置，其特征在于，包括：
获取模块，用于获取心电信号及其特征分类标签，根据所述心电信号绘制心电图像，构建各个特征分类标签下的心电图数据集；
预处理模块：用于对所述心电图数据集中的心电图像进行预处理，并通过随机分类法将所述心电图数据集分为训练集、验证集和测试集；
模型构建模块：用于构建深度神经网络模型，基于所述训练集和验证集对其进行训练优化获得初始心电分类神经网络模型；所述心电分类神经网络模型以心电图像为输入，以所述心电图像特征符合各特征分类标签的概率为输出；
测试模块，用于基于所述测试集对所述初始心电分类神经网络模型进行模型测试，判断其评价指标是否符合预设评价标准，若是，则获得目标心电图像分类模型。
7.一种心电图像分类模型构建***，其特征在于，包括：
信号获取装置，用于获取心电信号及其特征分类标签；
存储器，用于存储程序；
处理器，用于接收所述心电信号及其特征分类标签，执行所述程序以实现如权利要求1-5任意一项所述方法中的方法。
8.一种心电图像分类方法，其特征在于，包括：
获取待分类的纸质心电图图像；
将待分类的心电图图像输入至心电图分类模型获得各特征分类标签的预测概率；
所述心电图分类模型为根据权利要求1-5任意一项所述的心电图像分类模型构建方法所获得的心电图分类模型。
9.一种心电图像分类装置，其特征在于，包括：
图像获取单元，用于获取纸质心电图图像；
分类单元，用于将所述纸质心电图图像输入至心电图分类模型获得各特征分类标签的预测概率；
所述心电图分类模型为根据权利要求1-5任意一项所述的心电图像分类模型构建方法所获得的心电图分类模型。
10.一种心电图像分类***，其特征在于，包括：
图像获取单元，用于获取纸质心电图图像；
存储器，用于存储程序；
处理器，用于接收所述纸质心电图图像，用于执行所述程序以实现如权利要求8所述方法中的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210546622.9A CN114648049A (zh) | 2022-05-20 | 2022-05-20 | 一种心电图像分类模型构建和分类的方法、装置及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210546622.9A CN114648049A (zh) | 2022-05-20 | 2022-05-20 | 一种心电图像分类模型构建和分类的方法、装置及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114648049A true CN114648049A (zh) | 2022-06-21 |
Family
ID=81996715
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210546622.9A Pending CN114648049A (zh) | 2022-05-20 | 2022-05-20 | 一种心电图像分类模型构建和分类的方法、装置及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114648049A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115115038A (zh) * | 2022-08-30 | 2022-09-27 | 合肥心之声健康科技有限公司 | 一种基于单导联心电信号的模型构建方法及性别识别方法 |
| CN115579109A (zh) * | 2022-11-24 | 2023-01-06 | 合肥心之声健康科技有限公司 | 医疗环境下心电图图像分析方法、装置和终端设备 |
| CN115736939A (zh) * | 2022-11-24 | 2023-03-07 | 北京哈特瑞姆医疗技术服务有限公司 | 房颤患病概率生成方法、装置、电子设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108464827A (zh) * | 2018-03-08 | 2018-08-31 | 四川大学 | 一种弱监督下的心电图像识别方法 |
| CN110889448A (zh) * | 2019-11-26 | 2020-03-17 | 北京华医共享医疗科技有限公司 | 一种基于卷积神经网络的心电分类方法 |
| CN110974214A (zh) * | 2019-12-20 | 2020-04-10 | 华中科技大学 | 一种基于深度学习的自动心电图分类方法、***及设备 |
| CN111460951A (zh) * | 2020-03-25 | 2020-07-28 | 西安交通大学 | 一种基于深度学习的心电信号自动分析方法 |
| CN112043260A (zh) * | 2020-09-16 | 2020-12-08 | 杭州师范大学 | 基于局部模式变换的心电图分类方法 |
-
2022
- 2022-05-20 CN CN202210546622.9A patent/CN114648049A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108464827A (zh) * | 2018-03-08 | 2018-08-31 | 四川大学 | 一种弱监督下的心电图像识别方法 |
| CN110889448A (zh) * | 2019-11-26 | 2020-03-17 | 北京华医共享医疗科技有限公司 | 一种基于卷积神经网络的心电分类方法 |
| CN110974214A (zh) * | 2019-12-20 | 2020-04-10 | 华中科技大学 | 一种基于深度学习的自动心电图分类方法、***及设备 |
| CN111460951A (zh) * | 2020-03-25 | 2020-07-28 | 西安交通大学 | 一种基于深度学习的心电信号自动分析方法 |
| CN112043260A (zh) * | 2020-09-16 | 2020-12-08 | 杭州师范大学 | 基于局部模式变换的心电图分类方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115115038A (zh) * | 2022-08-30 | 2022-09-27 | 合肥心之声健康科技有限公司 | 一种基于单导联心电信号的模型构建方法及性别识别方法 |
| CN115115038B (zh) * | 2022-08-30 | 2022-11-08 | 合肥心之声健康科技有限公司 | 一种基于单导联心电信号的模型构建方法及性别识别方法 |
| CN115579109A (zh) * | 2022-11-24 | 2023-01-06 | 合肥心之声健康科技有限公司 | 医疗环境下心电图图像分析方法、装置和终端设备 |
| CN115736939A (zh) * | 2022-11-24 | 2023-03-07 | 北京哈特瑞姆医疗技术服务有限公司 | 房颤患病概率生成方法、装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114648049A (zh) | 一种心电图像分类模型构建和分类的方法、装置及*** | |
| JP2022523741A (ja) | 描写および分類のための心電図処理システム | |
| CN110522440B (zh) | 基于分组卷积神经网络的心电信号识别装置 | |
| WO2019161610A1 (zh) | 心电信息处理方法和心电工作站*** | |
| WO2019161611A1 (zh) | 心电信息处理方法和心电工作站 | |
| US11678831B2 (en) | Electrocardiogram processing system for detecting and/or predicting cardiac events | |
| CN113855038B (zh) | 基于多模型集成的心电信号危急值的预测方法及装置 | |
| CN110680278B (zh) | 基于卷积神经网络的心电信号识别装置 | |
| CN111657925A (zh) | 基于机器学习的心电信号分类方法、***、终端以及存储介质 | |
| CN113288157A (zh) | 基于深度可分离卷积和改进损失函数的心律失常分类方法 | |
| CN111524570B (zh) | 一种基于机器学习的超声随访患者筛选方法 | |
| CN114970637A (zh) | 一种轻量级基于深度学习的心律失常分类方法 | |
| CN116012568A (zh) | 一种通过拍照心电图获取心电节律信息的*** | |
| CN110974260A (zh) | 基于脑电特征的案例推理抑郁症识别*** | |
| CN117809124A (zh) | 基于多特征融合的医学图像关联调用方法及*** | |
| WO2023151578A1 (en) | Embryo selection process | |
| CN117457134A (zh) | 基于智能ai的医疗数据管理方法及其*** | |
| CN116631626A (zh) | 一种患者临床风险评估方法、装置、设备及介质 | |
| CN113229798B (zh) | 模型迁移训练方法、装置、计算机设备及可读存储介质 | |
| CN113723519A (zh) | 基于对比学习的心电数据处理方法、装置及存储介质 | |
| CN111297348A (zh) | 心电图分析结果的生成方法、心电图机及存储介质 | |
| CN112397179A (zh) | 一种医用心电图智能分析***及分析方法 | |
| Cárdenas et al. | Ecg arrhythmia classification for comparing pre-trained deep learning models | |
| Zaharia et al. | A simplified Approach for Accurate Arrythmia Detection using Automated Machine Learning | |
| CN114764581B (zh) | 一种基于rr间期空间特征的房颤分类方法、装置及*** |
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 |