CN104970789B - 心电图分类方法及系统 - Google Patents

Abstract

本发明涉及一种心电图分类方法，包括如下步骤：对原始心电图波形进行滤波及下采样；对滤波及下采样后的心电数据进行平移起始点操作；导联卷积神经网络对所述心电数据进行识别与分类。本发明还涉及一种心电图分类系统。本发明能够提高分类的准确率，并减少中间环节对最终分类性能的影响。

Description

心电图分类方法及系统

技术领域

本发明涉及一种心电图分类方法及系统。

背景技术

心电图是记录人体心脏电活动的可视时间序列，已经在临床上广泛用于心脏相关疾病检查，并且形成了比较完善的心电图判断标准。近几年，由于远程监护的兴起，心电图分析正在向院外、亚健康人群和长时间监护发展，这使得医生工作量大增，也使得对自动化诊断的需求越来越迫切。

用于临床诊断的心电图一般是12导联，每个导联通常采集10s的心电图记录数据，包含12～18次搏动。现有的心电图分类方法主要针对MIT-BIH两导联的心电数据（不符合临床诊断要求）；需要提取R波以对心电图记录进行分割，从而获得单个心拍；还需要准确提取各种波形幅值、形态等关键特征。

真实的临床数据非常复杂，如噪声干扰、QRS波群不明显、导联脱落都是极其常见的，再加上不同人的生理差异还会导致心电数据的多样性。现有的特征提取方法很难准确分类，即使是目前研究最成熟的R波提取方法，用临床实际数据进行测试，准确率还是会有所下降；至于P波、T波等提取方法在MIT-BIH上的准确率都很低，更不可能用于临床应用。

发明内容

有鉴于此，有必要提供一种心电图分类方法及系统。

本发明提供一种心电图分类方法，该方法包括如下步骤：a.对原始心电图波形进行滤波及下采样；b.对滤波及下采样后的心电数据进行平移起始点操作；c.采用导联卷积神经网络对所述心电数据进行识别与分类。

其中，所述b步骤与所述c步骤之间包括：在训练阶段对平移起始点后的心电数据进行加噪处理的步骤。

所述步骤a仅保留II、III、V1、V2、V3、V4、V5、V68个基本导联的心电数据。

所述的加噪处理为对所述心电数据叠加包含低频噪声、高频噪声及白噪声的随机噪声。

所述的导联卷积神经网络的结构包括：导联、用于汇总所有导联的信息的全连接层、用于进行识别与分类的SLR层，其中，每个所述导联包括三个不同的卷积单元Ai、Bi、Ci（1≤i≤8），每个卷积单元包括多个卷积层和取样层。

本发明还提供一种心电图分类系统，包括相互电性连接的预处理模块、平移模块及分类模块，其中：所述预处理模块用于对原始心电图波形进行滤波及下采样；所述平移模块用于对滤波及下采样后的心电数据进行平移起始点操作；所述分类模块用于通过导联卷积神经网络对所述心电数据进行识别与分类。

其中，该系统还包括加噪模块，用于在训练阶段对平移起始点后的心电数据进行加噪处理。

所述预处理模块仅保留II、III、V1、V2、V3、V4、V5、V68个基本导联的心电数据。

所述的加噪处理为对所述心电数据叠加包含低频噪声、高频噪声及白噪声的随机噪声。

所述的导联卷积神经网络的结构包括：导联、用于汇总所有导联的信息的全连接层、用于进行识别与分类的SLR层，其中，每个所述导联包括三个不同的卷积单元Ai、Bi、Ci（1≤i≤8），每个卷积单元包括多个卷积层和取样层。

本发明心电图分类方法及系统，能够实现心电图的自动分类。本发明提高了分类的准确率：通过真实临床环境（没经过任何挑选，部分导联脱落，QRS波群不明显均存在的情况）的测试，准确率为83.66%；此外，本发明省去了特征提取过程：一般来说都是先提取一些关键特征，包括医学特征和数理特征，然后基于特征对心电图进行识别与分类，而本发明不需要提取任何特征，包括R波，从而减少中间环节对最终分类性能的影响。

附图说明

图1为本发明心电图分类方法的流程图；

图2为本发明实施例正弦波散点图；

图3为本发明心电图分类系统的硬件架构图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细的说明。

参阅图1所示，是本发明心电图分类方法较佳实施例的作业流程图。

步骤S401，对原始心电图波形进行滤波及下采样。具体而言，首先进行滤波，并下采样为feq Hz，接着跳过开始skipN个点，取中间连续N1个点的数据作为输入数据，且仅保留8个基本导联的心电数据，即II、III、V1、V2、V3、V4、V5、V6导联。在本实施例中，feq取200，skipN取25，N1取1900。

步骤S402，对滤波及下采样后的心电数据进行平移起始点操作。具体而言，在维数为8×N1的心电数据中选取起始点位置，取值区间为[1,offset]。在训练阶段，随机选取起始点，但必须保证每个导联的起始点相同；而在测试阶段，起始点均为1，然后从起始点开始，选取连续N2=N1-offset个点作为步骤S404的输入数据。在本实施例中，offset取200，则N2为1700。

步骤S403，在训练阶段对平移起始点后的心电数据进行加噪处理，在测试以及实际分类时，则跳过本步骤。具体步骤如下：

训练阶段，将维数为8×N2的心电数据进行加噪处理，对所述心电数据叠加随机噪声。所述叠加的随机噪声包含幅度为0～A1的0～f1Hz（本实施例中A1为0.1mV，f1为0.2）低频噪声，幅度为0～A2的f2～f3Hz（本实施例中A2为0.15mV，f2为45，f3为90）高频噪声以及幅度为0～A3（本实施例中A3为0.1mV）的白噪声。

步骤S404，导联卷积神经网络（Lead Convolutional Neural Network，LCNN）对所述心电数据进行识别与分类。

具体而言，由LCNN进行维数为8×N2的心电数据识别与分类。LCNN的具体结构（请参阅图2）为：每个导联均包括三个不同的卷积单元Ai、Bi、Ci（1≤i≤8），不同导联的卷积单元互不相干，共有24个卷积单元；每个卷积单元包括多个卷积层和取样层；不同导联的三个卷积核结构（[F1,1,1,C1],[F2,F1,1,C2],[F3,F2,1,C3]）、三个取样核结构（[1,M1],[1,M2],[1,M3]）、三个特征面数（F1,F2,F3）可相同，也可不同；最后由全连接层汇总所有导联的信息，交由SLR层进行识别与分类。所述SLR层是多层感知器逻辑回归层（LR层）的特例，仅限于二分类问题；对于多分类问题，可采用LR层。本实施例为正异常分类，采用SLR层。图2中1D-Cov表示1维卷积计算。

LCNN具体计算过程为：假设输入样本为x=[x1,x2,…,x8]，其中xi(1≤i≤8)为第i通道的数据，则：

其中，g_D是全连接层计算函数，g_E是SLR层计算函数，是激励函数。为卷积单元计算函数，表达式均为f_sub(f_cov(x))，唯一区别是计算权值不同，fcov为卷积函数，fsub为降维函数，具体计算公式如下：

此处设卷积核的尺寸为1×P_i，表示“第i层第j个特征面”指向“第i-1层第m个特征面”的核权值，表示“第i-1层第m个特征面”位置是(x+p)的神经元输出值，b_ij表示第i层第j个特征面的偏置。

参阅图3所示，是本发明心电图分类系统的硬件架构图。该系统包括相互电性连接的预处理模块、平移模块、加噪模块及分类模块。

所述预处理模块用于对原始心电图波形进行滤波及下采样。具体而言，首先进行滤波，并下采样为feq Hz，接着跳过开始skipN个点，取中间连续N1个点的数据作为输入数据，且仅保留8个基本导联的心电数据，即II、III、V1、V2、V3、V4、V5、V6导联。在本实施例中，feq取200，skipN取25，N1取1900。

所述平移模块用于对滤波及下采样后的心电数据进行平移起始点操作。具体而言：

在维数为8×N1的心电数据中选取起始点位置，取值区间为[1,offset]。在训练阶段，随机选取起始点，但必须保证每个导联的起始点相同；而在测试阶段，起始点均为1，然后从起始点开始，选取连续N2=N1-offset个点作为步骤S404的输入数据。在本实施例中，offset取200，则N2为1700。

所述加噪模块用于在训练阶段对平移起始点后的心电数据进行加噪处理，在测试以及实际分类时，则跳过本模块。具体如下：

训练阶段，将维数为8×N2的心电数据进行加噪处理，对所述心电数据叠加随机噪声。所述叠加的随机噪声包含幅度为0～A1的0～f1Hz（本实施例中A1为0.1mV，f1为0.2）低频噪声，幅度为0～A2的f2～f3Hz（本实施例中A2为0.15mV，f2为45，f3为90）高频噪声以及幅度为0～A3（本实施例中A3为0.1mV）的白噪声。

所述分类模块用于对所述心电数据进行识别与分类。具体而言：

由LCNN进行维数为8×N2的心电数据识别与分类。LCNN的具体结构（请参阅图2）为：每个导联均通过三个不同的卷积单元Ai、Bi、Ci（1≤i≤8），不同导联的卷积单元互不相干，共有24个卷积单元；每个卷积单元包括多个卷积层和取样层；不同导联的三个卷积核结构（[F1,1,1,C1],[F2,F1,1,C2],[F3,F2,1,C3]）、三个取样核结构（[1,M1],[1,M2],[1,M3]）、三个特征面数（F1,F2,F3）可相同，也可不同；最后由全连接层汇总所有导联的信息，交由SLR层进行识别与分类。所述SLR层是多层感知器逻辑回归层（LR层）的特例，仅限于二分类问题；对于多分类问题，可采用LR层。本实施例为正异常分类，采用SLR层。图2中1D-Cov表示1维卷积计算。

LCNN具体计算过程为：假设输入样本为x=[x1,x2,…,x8]，其中xi(1≤i≤8)为第i通道的数据，则：

其中，g_D是全连接层计算函数，g_E是SLR层计算函数，是激励函数。为卷积单元计算函数，表达式均为f_sub(f_cov(x))，唯一区别是计算权值不同，fcov为卷积函数，fsub为降维函数，具体计算公式如下：

此处设卷积核的尺寸为1×P_i，表示“第i层第j个特征面”指向“第i-1层第m个特征面”的核权值，表示“第i-1层第m个特征面”位置是(x+p)的神经元输出值，b_ij表示第i层第j个特征面的偏置。

虽然本发明参照当前的较佳实施方式进行了描述，但本领域的技术人员应能理解，上述较佳实施方式仅用来说明本发明，并非用来限定本发明的保护范围，任何在本发明的精神和原则范围之内，所做的任何修饰、等效替换、改进等，均应包含在本发明的权利保护范围之内。

Claims (8)

1.一种心电图分类方法，其特征在于，该方法包括如下步骤：

a.对原始心电图波形进行滤波及下采样；

b.对滤波及下采样后的心电数据进行平移起始点操作；

c.采用导联卷积神经网络对所述心电数据进行识别与分类；

其中：所述的导联卷积神经网络的结构包括：导联、用于汇总所有导联的信息的全连接层、用于进行识别与分类的SLR层，其中，每个所述导联包括三个不同的卷积单元Ai、Bi、Ci(1≤i≤8)，每个卷积单元包括多个卷积层和取样层；

导联卷积神经网络的具体计算过程为：假设输入样本为x＝[x1,x2,…,x8]，其中xi(1≤i≤8)为第i通道的数据，则：

其中，g_D是全连接层计算函数，g_E是SLR层计算函数，是激励函数，为卷积单元计算函数。

2.如权利要求1所述的方法，其特征在于，所述b步骤与所述c步骤之间包括：

在训练阶段对平移起始点后的心电数据进行加噪处理的步骤。

3.如权利要求1所述的方法，其特征在于，所述步骤a仅保留II、III、V1、V2、V3、V4、V5、V6 8个基本导联的心电数据。

4.如权利要求2所述的方法，其特征在于，所述的加噪处理为对所述心电数据叠加包含低频噪声、高频噪声及白噪声的随机噪声。

5.一种心电图分类系统，其特征在于，该系统包括相互电性连接的预处理模块、平移模块及分类模块，其中：

所述预处理模块用于对原始心电图波形进行滤波及下采样；

所述平移模块用于对滤波及下采样后的心电数据进行平移起始点操作；

所述分类模块用于通过导联卷积神经网络对所述心电数据进行识别与分类；

其中：所述的导联卷积神经网络的结构包括：导联、用于汇总所有导联的信息的全连接层、用于进行识别与分类的SLR层，其中，每个所述导联包括三个不同的卷积单元Ai、Bi、Ci(1≤i≤8)，每个卷积单元包括多个卷积层和取样层；

导联卷积神经网络的具体计算过程为：假设输入样本为x＝[x1,x2,…,x8]，其中xi(1≤i≤8)为第i通道的数据，则：

其中，g_D是全连接层计算函数，g_E是SLR层计算函数，是激励函数，为卷积单元计算函数。

6.如权利要求5所述的系统，其特征在于，该系统还包括加噪模块，用于在训练阶段对平移起始点后的心电数据进行加噪处理。

7.如权利要求5所述的系统，其特征在于，所述预处理模块仅保留II、III、V1、V2、V3、V4、V5、V6 8个基本导联的心电数据。

8.如权利要求6所述的系统，其特征在于，所述的加噪处理为对所述心电数据叠加包含低频噪声、高频噪声及白噪声的随机噪声。