CN107822622A

CN107822622A - 基于深度卷积神经网络的心电图诊断方法和系统

Info

Publication number: CN107822622A
Application number: CN201710862945.8A
Authority: CN
Inventors: 陈旻
Original assignee: Chengdu Bit Rhythm Technology Co Ltd
Current assignee: Chengdu Bit Rhythm Technology Co Ltd
Priority date: 2017-09-22
Filing date: 2017-09-22
Publication date: 2018-03-23
Anticipated expiration: 2037-09-22
Also published as: CN107822622B

Abstract

本发明公开了一种基于深度卷积神经网络的心电图诊断方法和系统，该诊断方法包括：对采集到的人体的原始心电图进行预处理，得到若干个预设长度的心跳片段；将心跳片段输入已训练好的深度卷积神经网络模型中，得到各个类别的预测值；记录最大预测值对应的单个心跳的类别以及该心跳与上一次心跳的间隔时间，形成一时间序列；基于预设的临床诊断准则与时间序列的映射关系，对时间序列匹配诊断准则，得到相应的诊断结果。本发明不再需要对心电图中的任何特征进行提取，从而最大程度上避免因为人工的筛选、处理导致的有效信息丢失和噪声数据的引入等问题，减少由于人为提取特征对于诊断准确度的影响。

Description

基于深度卷积神经网络的心电图诊断方法和系统

技术领域

本发明属于心电监护和诊断技术领域，具体涉及一种基于深度卷积神经网络的无特征提取心电图诊断方法和系统。

背景技术

心电图检查是临床上最常用的电生理检查方法之一，它对于心律失常、心肌缺血、心肌肥厚等心血管疾病的诊断具有非常重要的意义。同时由于其简单、方便、无创等特点，在临床上也得到了广泛的应用，特别是针对心律失常的诊断分析具有极其重要且不可替代的价值。

心电图的计算机处理和分析技术的发展已经有数十年，该技术的主要目的是对人体的心电数据进行自动的分析和处理，从而给医生提供辅助诊断的判断依据。

近年来随着低功耗传感处理技术和无线通信技术的不断发展，心电数据已经可以从越来越轻型便捷的可穿戴医疗设备上进行长时间不间断的获取，而心电数据的采集场景也不再局限于专业的医疗场景。这些新的技术和应用场景的出现，为心电监护和诊断日常化家庭化提供了基础，然而这些技术的大量应用也必然导致海量的心电数据需要进行分析、处理和解读。

因此高性能、高准确率、高适应性的心电图自动分析技术可以说是实现心电监护和诊断大面积应用的关键技术。

现有的心电图自动分析技术主要包括了心电信号预处理、特征提取、分类识别等方面。然而由于现有的心电图自动诊断技术的准确率还有待提高，因此还难以广泛的应用于临床。

现有技术方案的思路主要是通过将人类判别心电图的分析方法转换成计算机中的分析方法，进而达到替代人类判读心电图的目的。在长达数十年的心电自动分析研究当中，心电图的预处理和特征提取是属于主要的研究热点。

预处理主要指的是对心电数据进行滤波降噪、消除伪差，从而提高信号的信噪比，以便将更“干净”的信号进行特征提取。

心电数据的特征提取主要包含了从时域、频域、变换域(如小波变换等)、时频联合分析等方法，其目的是从原始的心电图中提取出符合人类经验的各个波段特征以及特征之间的相对关系等。

在提取了心电数据的特征后，对心电的这些特征进行分类和识别主要是通过决策树、经验规则、神经网络、支持向量机等分类方法进行。

现有技术的主要问题在于，人为的进行数据的预处理、特征提取、分类规则制定实质上造成了信息量的丢失，并不是最适合计算机进行分析的方法。在现有的技术中虽然采用了符合人类诊断心电图的标准做法，但是必然会引入人为的干扰和噪声。例如在进行数据预处理的时候，虽然人为的将一些噪声消除了，但是同时也可能将心电图中某些有用的频段过滤掉了。例如在特征提取的过程中，虽然提取出了对于人类敏感的特征信息，可以用于进行诊断和判断，但从原始心电提取成特征向量的过程中有也有大量的原始特征被忽略了。

因此目前在现有技术的框架下，心电图自动分析的准确率仍然难以达到较高的水平，例如针对心律失常中室性早搏(VEB)检测的敏感度和阳性预测值基本上在90％，而针对室上性早搏(SVEB)检测的敏感度仅有约80％。在这样的准确性的情况下，心电数据的自动分析结果仍然需要依靠大量的人力进行筛选和解读，并不能实际解决大规模应用的问题。

发明内容

(一)发明目的

本发明的目的是提供一种基于深度卷积神经网络的无需进行特征提取的心电图诊断方法和系统。

(二)技术方案

为解决上述问题，本发明的第一方面提供了一种基于深度卷积神经网络的心电图诊断方法，包括：对采集到的人体的原始心电图进行预处理，得到若干个预设长度的心跳片段；将心跳片段输入已训练好的深度卷积神经网络模型中，得到各个类别的预测值；记录最大预测值对应的单个心跳的类别以及该心跳与上一次心跳的间隔时间，形成一时间序列；基于预设的临床诊断准则与时间序列的映射关系，对时间序列匹配诊断准则，得到相应的诊断结果。

进一步，对原始心电图进行预处理的步骤包括：对原始心电图进行滤波处理，得到滤波后心电图；识别滤波后心电图中的R波位置，并以R波位置为中心，且在中心的前后各取预定长度的心电图波形进行裁剪，得到单个R波对应的心电图片段；优选地，对原始心电图进行预处理的步骤还包括：采用大于第一采样率的第二采样率对每个心电图片段进行采样，得到若干个预设长度的心跳片段，第一采样率为原始心电图的采样率。

进一步，第一采样率大于或等于128Hz；优选地，第二采样率为512Hz。

进一步，按照如下方法获取深度卷积神经网络模型：设计多组深度卷积神经网络的结构参数，结构参数包括层权重和层参数；确定样本数据集和测试数据集；采用样本数据集对多组深度卷积神经网络进行学习训练，得到多组学习训练结果；基于多组学习训练结果计算得到多组误差值；当多组误差值大于或等于设定的误差门限值时，采用后向传播反馈方法对结构参数进行优化，得到多组符合条件的目标深度卷积神经网络；采用测试样本对各个目标深度卷积神经网络进行测试，得到多个准确性测试值；对多个准确性测试值进行由高到低的排名，并选取排名结果中前50％的目标深度卷积神经网络进行下一轮学习训练，直至只剩下一个目标深度卷积神经网络，将其作为深度卷积神经网络模型。

进一步，设计深度卷积神经网络模型的结构的步骤包括：确定深度卷积神经网络模型的输入层结构；确定深度卷积神经网络模型的隐藏层结构；优选的是输入层结构包括卷积层；更为优选的是输入层的长度为心跳片段的预设长度；优选的是隐藏层结构包括依次设置的卷积层、池化层、卷积层、池化层、全连接层、神经元丢弃层、全连接层和神经元丢弃层。

进一步，深度卷积神经网络模型的输入层的卷积层包括一激活函数和32个卷积神经元，卷积宽度为8；深度卷积神经网络模型的隐藏层的每一卷积层包括一激活函数和32个卷积神经元，卷积宽度为8，池化层的池化系数为8；深度卷积神经网络模型的隐藏层的每一全连接层包括80个神经元和一激活函数，每一神经元丢弃层的丢弃概率为0.2。

进一步，每次在进行下一轮学习训练时，包括：分别调整训练数据集与测试数据集在训练数据库中的比例以减少训练样本的数量，并增大测试样本的数量。

进一步，分别调整训练数据集与测试数据集在训练数据库中的比例的步骤具体按照以下方法执行：判断训练数据集在数据库中所占的比例是否大于测试数据集在训练数据库中所占的比例；若是，则将测试数据集中的数据数量增加一倍作为用于下一轮学习训练的新测试集，且将1减去训练数据集在整个数据集中所占的比例得到的比例值作为用于下一轮学习训练的新训练数据集在训练数据库中的占比；否则，将训练数据集中的数据数量增加一倍作为用于下一轮学习训练的新训练数据集，且将1减去测试数据集在整个数据集中所占的比例得到的比例值作为用于下一轮学习训练的新测试数据集在训练数据库中的占比。

进一步，训练数据库中的数据包括不同的导联数据和/或不同数据库中的数据进行混合后的数据。

进一步，诊断方法还包括：对权重和参数进行再次优化；其中，对权重和参数进行再次优化的步骤包括：采用新的训练数据对深度卷积神经网络模型中希望加强识别能力的层的权重和参数进行训练，并将除希望加强识别能力的层之外的其它层的权重和参数进行冻结。

进一步，还包括：记录单个样本心跳片段的分类输出结果中的最大值对应的类别以及与上一次心跳的间隔时间，得到心跳时间序列；基于心跳时间序列与预设的医学判断准则，形成心跳时间序列和诊断结果的映射，用于对输入深度卷积神经网络模型中的心跳片段进行诊断得到诊断结果。

根据本发明的另一个方面，提供了一种基于深度卷积神经网络的心电图诊断系统，包括：预处理模块，用于对采集到的人体的原始心电图进行预处理，得到若干个预设长度的心跳片段并输入深度卷积神经网络模型中；深度卷积神经网络模型，用于基于输入的心跳片段输出各个类别的预测值；记录模块，用于记录最大预测值对应的单个心跳的类别以及该心跳与上一次心跳的间隔时间，形成一时间序列；匹配模块，用于基于预设的临床诊断准则与时间序列的映射关系，对时间序列匹配诊断准则，得到相应的诊断结果。

进一步，系统还包括：采集模块，用于采用预设的第一采样率来采集人体心电图，得到原始心电图。

进一步，预处理模块包括：采样子模块，用于采用大于第一采样率的第二采样率对每个心电图片段进行采样，得到若干个预设长度的心跳片段。

进一步，预处理模块包括：滤波子模块，用于对原始心电图进行滤波处理，得到滤波后心电图；识别子模块，用于识别滤波后心电图中的R波位置，并以R波位置为中心，且在重心的前后各取预定长度的心电图波形进行裁剪，得到单个R波对应的心电图片段。

进一步，采样子模块包括：采样单元，用于采用512Hz的第二采样率对每个心电图片段进行采样，得到若干个预设长度的心跳片段。

进一步，系统还包括深度卷积神经网络模型获取模块；深度卷积神经网络模型获取模块包括：结构设计子模块，用于设计多组深度卷积神经网络的结构参数，结构参数包括权重和层参数；样本和测试数据确定子模块，用于确定样本数据集和测试数据集；学习训练子模块，用于采用监督式学习方法，将样本数据集输入设计的多组深度卷积神经网络进行学习训练，得到学习训练结果；误差计算子模块，用于基于学习训练结果计算误差值；优化子模块，用于当误差值大于或等于设定的误差门限值时，采用后向传播反馈方法对结构参数进行优化，得到多组符合条件的目标深度卷积神经网络；测试子模块，用于采用测试样本对各个目标深度卷积神经网络进行测试，得到多个准确性测试值；排名子模块，用于对多个准确性测试值进行由高到低的排名，并选取排名结果中前50％的目标深度卷积神经网络进行下一轮学习训练，直至只剩下一个目标深度卷积神经网络，将其作为深度卷积神经网络模型。

进一步，结构设计子模块包括：输入层结构确定单元，用于确定深度卷积神经网络模型的输入层结构，优选的是输入层结构包括卷积层，更为优选的是输入层的长度为心跳片段的预设长度；隐藏层结构确定单元，用于确定深度卷积神经网络模型的隐藏层结构，优选的是隐藏层结构包括依次设置的卷积层、池化层、卷积层、池化层、全连接层、神经元丢弃层、全连接层和神经元丢弃层。

进一步，深度卷积神经网络模型获取模块还包括：权重和参数调整子模块，用于分别调整训练数据集与测试数据集在训练数据库中的比例以减少训练样本的数量，并增大测试样本的数量。

进一步，权重和参数调整子模块包括：判断子单元，用于判断训练数据集在训练数据库中所占的比例是否大于测试数据集在训练数据库中所占的比例；在训练数据集在训练数据库中所占的比例大于测试数据集在训练数据库中所占的比例时，则将测试数据集中的数据数量增加一倍作为用于下一轮学习训练的新测试集，且将1减去训练数据集在训练数据库中所占的比例得到的比例值作为用于下一轮学习训练的新训练数据集在训练数据库中的占比；在训练数据集在训练数据库中所占的比例不大于测试数据集在训练数据库中所占的比例时，将训练数据集中的数据数量增加一倍作为用于下一轮学习训练的新训练数据集，且将1减去测试数据集在训练数据库中所占的比例得到的比例值作为用于下一轮学习训练的新测试数据集在训练数据库中的占比。

进一步，该诊断系统还包括再优化模块；其中，再优化模块包括：训练子模块，用于采用新的训练数据对深度卷积神经网络模型中希望加强识别能力的层的权重和参数进行训练；冻结子模块，用于将除希望加强识别能力的层之外的其它层的权重和参数进行冻结。

进一步，该诊断系统还包括：存储模块，用于存储基于记录的单个样本心跳片段的分类输出结果中的最大值对应的类别以及与上一次心跳的间隔时间得到的心跳时间序列，和基于心跳时间序列与预设的医学判断准则形成的心跳时间序列和诊断结果的映射，其中，该映射关系用于对输入深度卷积神经网络模型中的心跳片段进行诊断得到诊断结果。

本发明通过对采集的原始心电图进行简单的预处理，然后进深度卷积神经网络的计算，再进行分类结果解析，从而实现心电图中心律失常的自动诊断。

(三)有益效果

本发明的上述技术方案具有如下有益的技术效果：

由于采集到的原始心电图是在经过简单的预处理后直接输入到已训练好的深度卷积神经网络模型中进行分类以及进行分类结果解析进而得到诊断结果，不再需要对心电图中的任何特征进行提取，从而最大程度上避免因为人工的筛选、处理导致的有效信息丢失和噪声数据的引入等问题，减少由于人为提取特征对于诊断准确度的影响。

附图说明

图1是本发明实施例一提供的一种基于深度卷积神经网络的心电图诊断方法的流程图；

图2是本发明实施例二提供的一种基于深度卷积神经网络的心电图诊断方法中步骤S2的子步骤的流程图；

图3是本发明实施例二提供的一种基于深度卷积神经网络的心电图诊断方法中步骤S2的另一种子步骤的流程图；

图4是本发明实施例二中关于切分得到心电图片段的示意图；

图5是本发明实施例三提供的一种基于深度卷积神经网络的心电图诊断方法中步骤S2中已训练好的深度卷积神经网络模型的获取过程的流程图；

图6是本发明实施例中设计的深度卷积神经网络的结构示意图；

图7是本发明实施例中设计的针对正常心搏、室性早搏、房性早搏这三类心搏的深度卷积神经网络的结构示意图；

图8是本发明实施例四提供的一种基于深度卷积神经网络的心电图诊断方法中关于步骤S502的一种具体实施方式的流程图；

图9是本发明实施例五提供的一种基于深度卷积神经网络的心电图诊断方法中关于步骤S71的一种具体实施方式的流程图；

图10是本发明实施例中以MIT-BIH心律失常数据库作为训练数据库为例时所示的训练方法的流程图；

图11是本发明实施例六提供的一种基于深度卷积神经网络的心电图诊断方法的流程图；

图12是本发明前述实施例的方法的原理示意图；

图13是本发明实施例七提供的一种基于深度卷积神经网络的心电图诊断系统的结构示意图；

图14是本发明实施例七提供的另一种基于深度卷积神经网络的心电图诊断系统的结构示意图；

图15是本发明实施例八提供的一种基于深度卷积神经网络的心电图诊断系统中预处理模块的一种实施方式的结构示意图；

图16是本发明实施例八提供的一种基于深度卷积神经网络的心电图诊断系统中预处理模块的另一种实施方式的结构示意图；

图17是本发明实施例九提供的一种基于深度卷积神经网络的心电图诊断系统中采样子模块的结构示意图；

图18是本发明实施例十提供的一种深度卷积神经网络模型获取模块的结构示意图；

图19是本发明实施例十一提供的一种基于深度卷积神经网络的心电图诊断系统中结构设计子模块的一种实施方式的结构示意图；

图20是本发明实施例十二提供的一种基于深度卷积神经网络的心电图诊断系统中优化子模块的一种实施方式的结构示意图；

图21是本发明实施例十三提供的一种基于深度卷积神经网络的心电图诊断系统深度卷积神经网络模型获取模块的另一种实施方式的结构示意图；

图22是本发明实施例十四提供的一种基于深度卷积神经网络的心电图诊断系统中权重和参数调整子模块的结构示意图；

图23是本发明实施例十五提供的一种基于深度卷积神经网络的心电图诊断系统的结构示意图；

图24是本发明实施例十六提供的一种基于深度卷积神经网络的心电图诊断系统的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

在执行本发明的心电图诊断方法之前，包括一采集的步骤，该采集的步骤包括：

S0，采用预设的第一采样率采集人体心电图，得到原始心电图；

在本发明实施例中，原始心电图的导联数量可以是单导联，也可以是多导联，第一采样率可以是大于或等于128Hz的任意值。采集的原始心电图为连续波形。

图1是本发明实施例一提供的一种基于深度卷积神经网络的心电图诊断方法的流程图。

请参阅图1，该心电图诊断方法包括如下步骤S1-S4：

S1，对采集到的人体的原始心电图进行预处理，得到若干个预设长度的心跳片段；

具体地，是对连续波形的原始心电图进行切分，得到若干个预设长度的心跳片段。

S2，将心跳片段输入已训练好的深度卷积神经网络模型中，得到各个类别的预测值；

S3，记录最大预测值对应的单个心跳的类别以及该心跳与上一次心跳的间隔时间，形成一时间序列；

S4，基于预设的临床诊断准则与时间序列的映射关系，对时间序列匹配诊断准则，得到相应的诊断结果。

其中，临床诊断准则与时间序列的映射关系为预先设定好的，在将心跳片段输入已训练好的深度卷积神经网络模型中之后，即可根据基于输出的类别预测值得到的时间序列去匹配相应的临床诊断准则，进而得到相应的诊断结果。

下面通过举例对步骤S5进行说明，例如：假设时间序列为X_beats，其形式为：X_beats＝{(N,0.9)，(V,0.85)，(A,0.95)…}，其中，小括号中的字母分别为单个心跳的类别，数字为该心跳与上一次心跳的间隔时间。X_beats可以以队列的形式，按照先入先出的方式进行存储。

假设诊断窦性心动过速的标准为：连续三个窦性心跳(正常心跳)，且间隔小于0.5s，则在对X_beats中的最后三个心跳进行判断时，如果满足：最后三个心跳类别均为N，以及三个心跳之间的间隔均小于0.5s的条件，则诊断结果为窦性心动过速。其中，最后三个心跳类别均为N，以及三个心跳之间的间隔均小于0.5s为临床诊断准则。

假设诊断成对室早的标准为：连续两个室性心跳，间隔大于0.5S小于2S，则我们对X_beats中的最后两个心跳进行判断，如果满足以下3个条件：(1)最后两个心跳类别均为N；(2)两个心跳间隔大于0.5S；(3)两个心跳间隔小于2S，则诊断结果为成对室早。

对于其他心律失常的诊断以此类推，依据临床判断标准即可。

本发明实施例通过对采集得到的原始心电图进行简单预处理，进而将其直接输入已训练好的深度卷积神经网络模型中进行分类以及进行分类结果解析进而得到诊断结果，采用深度卷积神经网络对原始心电图进行直接学习，不再对心电图中的任何特征进行提取，从而最大程度上避免因为人工的筛选、处理导致的有效信息丢失和噪声数据的引入等问题，减少由于人为提取特征对于诊断准确度，通过采用深度卷积神经网络这样一种通用的诊断框架，能够针对不同的数据进行训练，进而实现自适应的诊断结果，并且，由于卷积神经元的引入，使得本发明的诊断方法对于心电波形的偏移、扭曲等干扰不敏感，因而可以使用更少的滤波，即可拥有更高的容错能力。同时能够简化算法复杂度，让算法对于运算资源的要求更低，实现难度更低，可以直接在移动端甚至嵌入式系统中进行实现。

图2是本发明实施例二提供的一种基于深度卷积神经网络的心电图诊断方法中步骤S1的子步骤的流程图。

请参阅图2，在本发明实施例一的基础上，本发明实施例二对预处理步骤进行改进，在本发明实施例二的预处理的子步骤中，主要目的是将原始的心电图进行滤波、定位、裁剪以及采样率变换，从而将连续波形处理成单个心跳对应的心电图片段。具体包括如下步骤S21-S22：

S21，对原始心电图进行滤波处理，得到滤波后心电图；

具体地，滤波主要是针对原始心电图进行基线和降噪处理，从而去除较大的基线漂移和高频噪声干扰。在预处理的滤波过程中，滤波器的-3dB带宽设定为0.5～40Hz。

S22，识别滤波后心电图中的R波位置，并以R波位置为中心，且在该中心的前后各取预定长度的心电图波形进行裁剪，得到单个R波对应的心电图片段；

步骤S22主要是将识别到的原始心电图中的QRS波段进行定位和切分。

具体地，是首先对原始心电图中的R波位置进行识别和定位，然后把单个R波对应的心跳波段裁剪出来，裁剪得到的结果如图3所示。

其中，在识别和定位时，可选的，可以是通过差分阈值方法来识别和定位R波位置，还可以是模板匹配、小波变换、神经网络或数值形态等方法，但本发明不以此为限。

其中，预定长度为50ms-10000ms。具体地，不同情况下可以选择不同的预定长度。例如当我们希望其具备将前后两个心拍进行关联的识别能力，则可以扩大向前取的范围，例如向前取2000ms，取的长度越长，则深度卷积神经网络模型越能够根据后续发生的波形来推断当前波形的类别，然而向后的长度会影响到从输入波形到输出心跳类别的延迟，所以在50ms-10000ms之间范围选择是比较合理的，既能够保证识别的效率又能够保证识别的准确率，但是上述数值范围是对于实时算法来说的。如果对于离线算法，即对已有数据进行一次性的分析，则没有长度的限定。

优选地，本发明在裁剪过程中，预定长度可以设置为300ms。这样设置的目的在于，是因为定位后选取的待切分的波形宽度，必须要能够覆盖一个心跳的宽度，而在临床中，600ms的时间窗可以在大概率(>99.9％，具体统计数据不详)的情况下覆盖一个心跳的PQRST整个波段，虽然在心率高(>100)的时候该时间窗可能会包含前后心跳的一部分数据，但是由于深度卷积神经网络中卷积操作不会因为信号的偏移、旋转和倒置等操作对卷积层学习到的特征造成影响的特性，所以不会对深度卷积神经网络的的特征学习造成不良的影响。因此，选择为300ms既可以保证本发明的识别准确度，同时还能够保证识别的速度。

作为一种优选的实施方式，在前述步骤S21和步骤S22的基础上，还包括步骤S23，如图4所示：

S23，采用大于第一采样率的第二采样率对每个心电图片段进行采样，得到若干个预设长度的心跳片段。

具体地，第二采样率选取512Hz。该步骤S23是在得到心电图片段后，对心电图片段进行重采样，即将采样率统一转换为512Hz，采用512Hz的第二采样率对每个心电图片段进行进一步采样，得到若干个长度为512*0.6＝307个采样点的心跳片段。需要说明的是，在重采样的过程中，如果针对的是单导联系统，则单个心电图片段只包含一个长度为307的行向量数据；如果针对的是多导联系统，则单个心电图片段包含了长度为307，行数为导联数量的一个二维矩阵。

而之所以将采样率统一变换为512Hz，主要是考虑到以下三个方面的因素：

(1)该采样率能够更好的满足临床心电图采集的要求，获得更准确地数据；

(2)该采样率为2的整数次幂，方便计算机进行运算；

(3)本发明中涉及到的硬件产品为512Hz采样率，在这个采样率上进行训练，可以避免在客户端部署该方法之后还需要再进行采样率变换，即用训练时的计算复杂度换取部署后的计算复杂度。

本发明实施例二通过对原始心电图进行简单的滤波、定位、裁剪以及采样率变换，尤其是在滤波过程中，只是将较大的基线漂移和高频噪声干扰去掉，而没有做过多的滤波处理，从而避免人为地将原始心电图中某些有用的频段过滤掉，影响诊断结果。

图5是本发明实施例三提供的一种基于深度卷积神经网络的心电图诊断方法中步骤S2中已训练好的深度卷积神经网络模型的获取过程的流程图。

本发明中采用监督式学习的方式对深度卷积神经网络进行训练，即采用带类别标注的数据作为深度卷积神经网络的输入，然后评估该网络输出结果的准确性，并针对其输出结果采用反向传播算法对神经网络各层的权重和参数进行调整使其提高输出结果的准确性。

请参阅图5，具体是采用如下方法获取深度卷积神经网络模型，包括步骤S501-S511：

S501，设计多组深度卷积神经网络的结构参数，所述结构参数包括权重和层参数；

具体地，是根据心电图诊断系统需要达到的自动分析内容和目标，对深度卷积神经网络进行结构设计，结构设计主要考虑的因素包括：a)输入心电数据的采样率、导联数量；b)输出分类的类别数量；c)应用环境的性能要求，例如对于计算复杂度和内存的要求。如果深度卷积神经网络的层数过多，则可能导致计算复杂度上升，从而引起延迟、功耗上升等问题。又例如若深度卷积神经网络的权重过多，会导致对于计算内存的需求量上升，影响产品的成本等。因此本发明设计的深度卷积神经网络的结构，如图6所示，包括：

(1)输入层

在本发明中，深度卷积神经网络的输入层的长度为307，即为输入数据的长度。如果针对的是单导联数据，则卷积层可以采用一维卷积单元；如果针对的是多导联数据，则卷积层可以采用二维卷积单元，还可以采用将多导联数据使用行向量的方式纵向鞋架形成多个通道，然后采用一维卷积单元来进行处理。

(2)输出层

深度卷积神经网络的输出层的长度为训练数据库中能够为深度卷积神经网络模型识别的心律失常类别数量，例如系统希望识别正常心搏、室性早搏、房性早搏，则深度卷积神经网络的输出层长度为3。

识别的类别主要根据带类别标注的训练样本来确定。系统可以识别的心律失常类别包括但不限于：室性早搏、房性早搏、左束支传导阻滞、右束支传导阻滞、心室融合心跳、交界性早搏、室上性早搏、室性逸搏、交接性逸搏、起搏心跳、R-on-T等类别。对于其他类型的心搏，卷积层结构参数一般不需要进行改变，可以视需要识别的类型个数、特征复杂度等因素，适当增加卷积层的层数、全连接层的层数和神经元个数。如果要增加可识别的类别，只需要增加输出层的长度，即输出层的节点数。

(3)隐藏层

隐藏层的结构设计，主要考虑算法应用环境的性能要求以及训练样本量和训练难度。隐藏层通常包含若干卷积层+池化层的结构进行不同抽象级别的自动的特征学习，然后配合若干全连接层对学习到的特征进行分类训练，从而将不同特征的组合映射成不同的类别。

通常隐藏层的结构设计需要配合训练和准确度评估来进行结构调整和优化，选取训练和准确度评估中效果最好的网络结构。在设计过程中通过对卷积层的层数、卷积神经元的数量和宽度、池化层的池化系数、神经元丢弃层的丢弃概率、全连接层的层数、全连接层的神经元数量、激活函数的选取等参数进行不断的调整和测试，从而选择出准确度最高的深度卷积神经网络结构。

下面通过举例对深度卷积神经网络结构设计进行详细说明，例如在针对正常心搏、室性早搏、房性早搏这三类心搏的深度卷积神经网络中，发明人使用了如图7所示的网络结构：输入层的长度为307，包括32个卷积神经元，宽度为8，一激活函数；隐藏层包括两个卷积层、两个池化层、两个全连接层和两个神经元丢弃层，每个卷积层的长度为307，包括32个卷积神经元，宽度为8，激活函数ReLu；每个池化层池化系数设置为8，两个全连接层分别设置为80和40个神经元，每一全连接层都包含一激活函数ReLu；每个神经元丢弃层的丢弃概率设置为0.2。

S502，确定样本数据集和测试数据集；

其中，如图8所示，步骤S502的一种具体实施方式包括以下步骤：

S5021，获取训练数据库；

在本发明中，训练数据库可以是单一的样本数据库，也可以是选用多个不同的样本数据库作为训练数据库，例如可采用MIT-BIH心律失常数据库、AHA心律失常数据库、MIT-BIH正常窦性心率数据库等。训练数据库的选取不对本发明中深度卷积神经网络的设计和实施造成影响，但是本发明可以识别的类别取决于训练样本中所包含的类别。

S5022，提取训练数据库中所有心搏位置；

提取的方法可以采用现有技术中的方法，故不再作赘述。

S5023，对所有的心搏位置进行预处理，得到多个样本心跳片段，作为数据输入集合X；

在本步骤中的预处理即为本发明实施例二中介绍的预处理方法，在此不再赘述。

S5024，对所有样本心跳片段对应的数据库标注进行编码，得到训练目标集合Y；

其中，编码的目的是为了将原有的心跳片段标注(例如N,V,A,S等)变成计算机可以识别的类别向量(例如[1,0,0,0]，[0,1,0,0]等)。在编码过程中，可选的，可以采用“One-hot”方式进行编码，也可以是选择“word embeddings”方式进行编码，但本发明不以此为限。

下面通过举例对编码的步骤进行说明，例如对训练数据库中的心搏位置进行提取和预处理后，得到1000个样本心跳片段，则数据输入集合X为307*1000的矩阵，将样本心跳片段对应的数据库的类别标注进行编码(例如N＝(1,0,0)，V＝(0,1,0)，A＝(0,0,1))，从而得到训练目标集合Y(形状为3*1000的矩阵)，N、V、A分别表示正常搏动、室性早搏和房性早搏。

S5025，分别从数据输入集合和训练目标集合中随机抽取预设数量的数据组合作为样本数据集，并将抽取后的剩余数据作为测试数据集；

具体地，是从X,Y集合中随机抽取一定数量的样本数据作为样本数据集X_train,Y_train，剩余样本数据作为测试数据集X_test,Y_test。

S503，采用所述样本数据集对多组深度卷积神经网络进行学习训练，得到多组学习训练结果；

S504，基于所述多组学习训练结果计算得到多组误差值；

S505，当所述多组误差值大于或等于设定的误差门限值时，采用后向传播反馈方法对所述结构参数进行优化，得到多组符合条件的目标深度卷积神经网络；其中，误差门限值可以是针对设计的每组深度卷积神经网络进行设定，也可以是设定一个对多组深度卷积神经网络都通用的误差门限值。

具体地，在将误差值进行后向传播反馈，以调整和优化深度卷积神经网络的各层权重和参数时，可以采用如下方式：

将深度卷积神经网络模型表示为y＝f(x0,w)，其中y为深度卷积神经网络模型的输出，x0为其输入，w为各层的权重和参数，y0为x0对应的参考标准ground truth。

对于深度卷积神经网络的训练，最终目标是找到一组权重w对于给定的x0和y0，其y与y0的误差值最小，其中误差值通过误差函数E(f(x0,w),y0)计算，具体地，误差函数可以是均方误差、分类交叉熵、泊松误差等。

在调整和优化各层权重和参数时，也就是在不断的迭代过程中，对于w进行调整从而降低E(f(x0,w),y0)的值。该过程可以表示为：

式1中，t代表迭代的次数，λ为训练速率，用于调整和控制单次优化的步长，W(t-1)为当前神经网络的权重W(t)为进行调整后的神经网络的权重E为误差函数，其中，训练速率λ一般是在训练过程中，随着t的增长不断下降的，下降可以有多种方式，例如线性下降，log下降，指数下降等。

由于深度卷积神经网络是层次的结构，所以可以通过链式法则来从输出层反向推导，依次计算各层的梯度，从而得到每一次迭代后w(t)的值。

反向推导的过程可以用下式来表示：

式2和式3中，E均为误差函数，y_l均为当前迭代层的输出结果，l均表示深度卷积神经网络结构中某一层的编号，l最大取值均为设计的深度卷积神经网络的层数，均表示误差函数E对当前迭代后权重w_l求偏导，均表示误差函数E对当前迭代后输出y_l求偏导，y_l(w,y_l-1)均表示y_l是y_l-1和w的函数，表示当前迭代层的输出对前一迭代层的输出求偏导，表示当前迭代层的输出对当前迭代层的权重求偏导。

S506，采用测试样本对各个目标深度卷积神经网络进行测试，得到多个准确性测试值；

具体地，是将各个目标深度卷积神经网络在X_test，Y_test上进行验证，计算其针对各个类别的准确度、敏感度、阳性预测值等准确性测试值的指标。其中，准确性测试值的指标包括Accuracy,Precision,Recall,Specificity这四种指标。

具体地，各个指标的定义如下：

其中：

TP(true positive)：表示样本的真实类别为正，最后预测得到的结果也为正；

FP(false positive)：表示样本的真实类别为负，最后预测得到的结果却为正；

FN(false negative)：表示样本的真实类别为正，最后预测得到的结果却为负；

TN(true negative)：表示样本的真实类别为负，最后预测得到的结果也为负。

至此，即完成了一次深度卷积神经网络的训练和效果评估。

S507，对所述多个准确性测试值进行由高到低的排名，并选取排名结果中前50％的目标深度卷积神经网络进行下一轮学习训练，直至只剩下一个目标深度卷积神经网络，将其作为深度卷积神经网络模型。

通过反复执行步骤S403-S407，从而实现调整深度卷积神经网络的权重、参数和结构，最终从设计的多组深度卷积神经网络中找到一组能够使得准确度、敏感度、阳性预测值等指标最大化的网络设计，将其作为深度卷积神经网络模型。

在本发明实施例三中，获取深度卷积神经网络模型时所使用的训练数据库，可以是包括不同的导联数据和/或不同数据库中的数据进行混合后的数据。这样做是希望得到的神经网络模型能够适应不同的导联形态和位置，因此将不同的导联数据进行混合，不对具体导联进行区分。同时选用MIT-BIH心律失常数据库、AHA心律失常数据库、MIT-BIH NST压力测试数据库、MIT-BIH NSR窦性心律数据库等各种数据库中的数据混合进行训练和测试。这样做的目的是为了让算法在心律失常的识别上具有更强的适应能力，而不需要针对各个导联分别进行训练。因为如果要让心律失常自动分析技术走进普通老百姓家中，一般人是很难把准确的导联解剖位置找准，也难以得到标准导联的数据的，因此算法必须具备这样的适应能力。

其中，每次在进行下一轮学习训练时，步骤S507还包括：

S71，分别调整训练数据集与测试数据集在训练数据库中的比例以减少训练样本的数量，并增大测试样本的数量。

其中，进行学习训练的目的是在一开始选用较多的训练数据在尽量多的网络上进行训练和测试，选取准确度高的网络进行下一轮测试。

在下一轮测试中，不断的减少训练数据量，增大测试数据量，可以降低网络对于训练数据的依赖程度，避免过拟合模型最终胜出。

例如设计32组网络参数，经过6轮的学习训练之后剩下的准确性最高的网络，其训练集只有5％，测试集有95％。

也就是说95％的数据是网络本身没有见过的，如果在这样的条件下该网络都能够达到较高的准确性，那么说明该网络设计的适应能力是非常强的。

而通常学术界进行准确性评估的时候，训练集有80％，测试集仅有20％。这样的结果会造成训练模型往往出现过拟合，对于未知的新数据适应能力弱。

图9是本发明实施例五提供的一种基于深度卷积神经网络的心电图诊断方法中关于步骤S71的一种具体实施方式的流程图。

请参阅图9，包括：

S91，判断训练数据集在数据库中所占的比例是否大于测试数据集在训练数据库中所占的比例；

S92，若是，则将测试数据集中的数据数量增加一倍作为用于下一轮学习训练的新测试集，且将1减去训练数据集在整个数据集中所占的比例得到的比例值作为用于下一轮学习训练的新训练数据集在训练数据库中的占比；

S93，否则，将训练数据集中的数据数量增加一倍作为用于下一轮学习训练的新训练数据集，且将1减去测试数据集在整个数据集中所占的比例得到的比例值作为用于下一轮学习训练的新测试数据集在训练数据库中的占比。

其中，步骤S92和步骤S93不分先后执行顺序。

下面通过举例对本发明实施例三-五进行详细介绍：

以MIT-BIH心律失常数据库作为训练数据库为例，选取该数据库中的N(正常心搏)、V(室性早搏)、A(房性早搏)作为识别目标。其训练的方法及流程如图10所示：

S101，设计K组深度卷积神经网络结构的参数，参数包括层数、神经元数目、丢弃率等，记K组深度卷积神经网络为CNN_1，CNN_2，…，CNN_K；

S102，将训练数据库中的所有数据划分为训练数据集(Training_set,数据量为Tn)和测试数据集(Test_set,数据量为Tt)，其中，训练数据集与测试数据集的比例为0.9/0.1；

S103，将训练数据集输入K组深度卷积神经网络CNN_1，CNN_2，…，CNN_K进行学习训练，得到各个类别的训练结果；

S104，计算每一训练结果中最大值与标准值的误差值；

其中，标准值为训练数据集中训练数据对应的输出结果；

S105，当所述误差值大于或等于设定的误差门限值时，将计算得到的所有的所述误差值进行后向传播反馈，以分别调整和优化所述多个深度卷积神经网络的各层权重和参数，直至得到的每个深度卷积神经网络的所述误差值小于设定的误差门限值，则将经当前调整和优化后的权重和参数作为该深度卷积神经网络的目标参数，目标参数对应的深度卷积神经网络为目标深度卷积神经网络；

S106，分别在测试数据集上测试上述得到的多个目标深度卷积神经网络的准确性，得到K组准确性测试值，其中，准确性测试值的评价指标包括Accuracy,Precision,Recall,Specificity这四种指标；

S107，对K组准确性测试值按照从高到低的顺序进行排名，调整下一轮学习训练过程中所使用的训练数据集与测试数据集的比例，且选取排名结果中前50％的目标深度卷积神经网络进行下一轮学习训练，继续执行步骤S103-S107；

S108，当剩下一个目标深度卷积神经网络，将其作为深度卷积神经网络模型。

具体地，在调整下一轮学习训练过程中所使用的训练数据集与测试数据集的比例时，是按照本发明实施例五的方法进行调整，例如：初始化时，训练数据集与测试数据集的比例为0.9/0.1，在第一轮测试完成后，将训练数据集的比例调整为0.1，测试数据集的比例调整为0.2，以及在下下一轮学习训练完还未选取出来准确率最高的神经网络时，则将训练数据集的比例调整为0.2，测试数据集的比例调整为0.8。训练数据集的比例和测试数据集的比例均是指其分别在整个训练数据库中的占比。且如无特殊说明，本发明中涉及到的神经网络均是指深度卷积神经网络(简写为CNN)。

在CNN的准确性评估上，可以采用多类型多指标加权的方式进行评估。例如：选取Accuracy,Precision,Recall,Specificity这四种指标，在N,V,A,L,R五种类型上的准确性进行加权评估来选取。

仍然以MIT-BIH心律失常数据库作为训练数据库为例，可以是使用一个加权矩阵进行上述类别和指标的分配，从而获得选取的神经网络模型的参考值CNN_SCORE(即准确性测试结果)，在前述排名过程中，即是对该CNN_SCORE进行排名，加权矩阵如下：

其中，Wij表示加权值，取值范围为[0,1]，i取值为1-4，j取值为1-5，加权值表示对于该指标的关注程度。

N,V,A,L,R分别表示：正常搏动、室性早搏、房性早搏、左束支传导阻滞、右束支传导阻滞。

CNN_SCORE的计算方式是将对应类别的对应指标与对应的权值相乘，最终计算所有类别和所有指标的加权分数之和：

式4中，M etric_ij表示上表中第j列类别对应的第i行的指标，例如M etric₃₄表示L类别的Recall结果。

关于上表的加权矩阵的分配，可以是根据用户需求对加权矩阵的加权值进行设置。例如：在室性早搏和房性早搏两个类别的自动分析中，希望漏检的数目更低，而在左束支传导阻滞这个类别中的误报数目更低，则可以将加权矩阵中的W32，W33，W24的值分配为1，其余权值都分配为0。这样经过学习训练后选取的神经网络模型，是符合对于算法的侧重点预期的。

另外，在CNN的实施应用上，还可以将其部署在嵌入式硬件、移动终端、智能手机、云端。并且只要部署的设备存在网络连接，即可对CNN的参数和结构进行不断的在线更新从而实现准确性不断的提高。

经过前述对深度卷积神经网络进行学习训练后即可得到一组准确度最高的深度卷积神经网络，此时，该神经网络已经具备了自动识别心电图片段的特征并且进行分类的功能。因此只需要将神经网络的权重、结构等参数保存下来，并且在获得输入数据之后依次通过这些参数进行输出值的计算即可获得分类结果。

值得说明的是，本发明在选取出准确度最高的一组深度卷积神经网络作为深度卷积神经网络模型后，还可以对该深度卷积神经网络模型再次训练优化，即采用新的训练数据对所述深度卷积神经网络模型中希望加强识别能力的层的权重和参数进行训练，并将除希望加强识别能力的层之外的其它层的权重和参数进行冻结。具体地，由于深度卷积神经网络具备在不同层次上对特征进行识别和抽象的特点，因此在训练过的深度卷积神经网络的基础上，还可以实现个性化和有针对性的训练优化。具体操作是：将深度卷积神经网络中某些层的权重和参数冻结(即训练中不发生变化)，然后利用新的训练数据对网络中的其他层进行训练过程重复，从而提高网络对于新数据的适应性。冻结某些层的权重的主要目的是由于在初始训练中，深度卷积神经网络已经学习了某些层级的特征，而不需要再进行学习。这样可以保证深度卷积神经网络的“基础识别”功能不受影响的情况下，学习和适应更高层次的特征。因而可以针对不同的病人的体质特点，通过少量的数据的标注和训练，即可达到更高准确率更加个性化的分析结果。

图11是本发明实施例六提供的一种基于深度卷积神经网络的心电图诊断方法的流程图。

请参阅图11，在本发明实施例一的基础上，该诊断方法还包括：

S1101，记录单个样本心跳片段的分类输出结果中的最大值对应的类别以及与上一次心跳的间隔时间，得到心跳时间序列；

S1102，基于心跳时间序列与预设的医学判断准则，形成心跳时间序列和诊断结果的映射，用于对输入深度卷积神经网络模型中的心跳片段进行诊断得到诊断结果。

本发明实施例六的作用主要在于将单个心跳的分类结果进行时间序列的组合以及分析，从而从单个心跳的类别中进行心脏节律和心律失常类别等的判断。在分类中，可以设定各种医学判断准则，从而实现心跳时间序列和诊断结果的映射。例如，可以利用多个心跳的间隔以及分类，进行心率的计算；也可以判断窦性心动过速、窦性心动过缓、单个室性早搏、室性二联律、室性三联律、单个房性早搏等节律。

下面通过一个完整的例子对本发明的一种基于深度卷积神经网络的心电图诊断方法进行说明，本发明主要对原始心电信号进行简单的降噪、定位，然后进行CNN的计算，再进行分类结果解析，从而实现心电图中心律失常的自动诊断。从诊断系统的结构上看，主要分为如图12中所示的预处理、深度卷积神经网络、分类解析三个部分：

选取MIT-BIH心律失常数据库作为数据源，以数据库中的N(正常心搏)、V(室性早搏)、A(房性早搏)、L(左束支传导阻滞)、R(右束支传导阻滞)作为识别目标，具体实施方式如下。

1、预处理

在预处理步骤中，主要包括对原始心电图进行滤波、定位、裁剪和采样率变换，从而将连续波形处理成单个心跳对应的心电图片段。在本发明中，原始心电图的导联数量可以是单导联也可以是多导联，原始心电图的采样率也可以是大于等于128Hz的任意值。

在滤波时，主要针对原始心电图进行基线和降噪处理，从而去除较大的基线漂移和高频噪声干扰。在预处理中，滤波器的-3dB带宽设定为0.5～40Hz。

然后将心电数据中的QRS波段进行定位和切分。首先对心电图中的R波位置进行识别和定位，然后把单个R波对应的心跳波段裁剪出来，得到单个心跳片段。单个心跳片段是以R波为中心，前后各取300ms长度。

得到心跳片段后，对心跳片段进行重采样，将采样率统一转换为512Hz，以便于进行深度卷积神经网络的运算。即预处理输出的结果是若干个长度为512*0.6＝307个采样点的心跳片段。如果针对的是单导联系统，则单个心跳片段只包含一个长度为307的行向量数据，如下所示：

X_beat＝{

x0,x1,…,x306

}。

如果针对的是多导联系统(以三导联为例)，则单个心跳片段包含了长度为307，行数为3一个二维矩阵，如下所示:

X_beat＝{

x0_0,x0_1,…,x0_306；

x1_0,x1_1,…,x1_306；

x2_0,x2_1,…,x2_306

}

单个心跳对应的目标记为y_beat，其内容是针对要识别的五种目标进行one-hot编码后的结果，例如心跳类型为N，则y_beat＝{1,0,0,0,0},心跳类型为V，则y_beat＝{0,1,0,0,0}，心跳类型为A，则y_beat＝{0,0,1,0,0}，以此类推。

针对MIT-BIH数据库中所有心跳进行上述预处理后，得到数据集X_data和y_data。

2、深度卷积神经网络

设计一组4个深度卷积神经网络{CNN1，CNN2，CNN3，CNN4}，其基本特征如下。

网络从上至下，包含两个相邻的卷积层，一个池化层，一个卷积层，一个池化层，两个全连接层，如图6所示：

其中，这一组CNN的各层参数如下表所示：

经过两轮学习训练，在第一轮中，分别选用了X_data，Y_data中的90％数据作为训练集，10％数据作为测试集，选出了CNN1，CNN2作为第一轮的胜出网络；第二轮中，分别选用了X_data，Y_data中的80％数据作为训练集和20％作为测试集，选出了CNN2作为胜出的神经网络。

在学习训练中，CNN2的测试结果的权重表格如下：

	N	V	A	L	R
						Accuracy	0	0	0	0	0
Precision	0	1	1	1	1
						Recall	0	1	1	1	1
Specificity	1	0	0	0	0

经过学习训练，成功的得到了一个准确率最高的神经网络CNN2，将其作为胜出网络，即深度卷积神经网络模型进行部署。

3、分类解析

在部署了胜出网络之后，实际的应用当中，首先将获取的心电数据进行预处理，得到心跳片段x_beat。

然后将x_beat输入至深度卷积神经网络模型中，分别获取各个类别的预测值y_beat。由于在输出层使用了softmax作为激活函数，因此输出层中各个类别的预测值即代表了对于各个类别预测的概率。例如，当输入x_beat，获取了y_beat＝{0.9,0,0,0,0.1}，则说明该心跳有90％概率为一个正常心跳；如果y_beat＝{0.2,0.5,0.1,0.1,0.1}，则说明该心跳有50％的概率为室性早搏，依次类推。

因此在分类解析中，通过记录深度卷积神经网络输出的心跳分类中概率最大的类别，形成时间序列X_beats，并参照临床诊断标准，对X_beats时间序列进行分类和诊断。

X_beats的形式例如：X_beats＝{(N,0.9)，(V,0.85)，(A,0.95)…}

其中，小括号中的字母N、V和A分别代表单个心跳的类别，数字0.9、0.85和0.95分别代表其与上一次心跳的间隔时间。X_beats可以以队列的形式，按照先入先出的方式进行存储。

例如临床诊断中诊断窦性心动过速的标准为：连续三个窦性心跳(正常心跳)，且间隔小于0.5s，则在对X_beats中的最后三个心跳进行判断时，如果满足以下两个条件：(1)最后三个心跳类别均为N；(2)三个心跳之间的间隔均小于0.5s。则诊断为窦性心动过速。

例如临床诊断中诊断成对室早的标准为：连续两个室性心跳，间隔大于0.5S小于2S，则我们对X_beats中的最后两个心跳进行判断，如果满足：(1)最后两个心跳类别均为N；(2)两个心跳间隔大于0.5S；(3)两个心跳间隔小于2S。则诊断为成对室早。

图13是本发明实施例七提供的一种基于深度卷积神经网络的心电图诊断系统的结构示意图。

请参阅图13，一种基于深度卷积神经网络的心电图诊断系统，包括：

预处理模块1，用于对原始心电图进行预处理，得到若干个预设长度的心跳片段并输入深度卷积神经网络模型2中；

深度卷积神经网络模型2，用于基于输入的心跳片段输出各个类别的预测值；

具体地，深度卷积神经网络模型2的输入层长度为对原始心电图进行预处理后得到的心跳片段的预设长度，优选地，预设长度为307。深度卷积神经网络模型的输出层长度为系统希望识别的心律失常类别数量。

记录模块3，用于记录最大预测值对应的单个心跳的类别以及该心跳与上一次心跳的间隔时间，形成一时间序列；

匹配模块4，用于基于预设的临床诊断准则与时间序列的映射关系，对时间序列匹配诊断准则，得到相应的诊断结果。

如图14所示，在本发明实施例七的基础上，该诊断系统还可以包括：

采集模块5，用于采用预设的第一采样率来采集人体心电图，得到原始心电图，其中，第一采样率大于或等于128Hz。

图15是本发明实施例八提供的一种基于深度卷积神经网络的心电图诊断系统的结构示意图。

请参阅图15，预处理模块1包括：

采样子模块11，用于采用大于第一采样率的第二采样率对每个心电图片段进行采样，得到若干个预设长度的心跳片段。

作为预处理模块的另一种实施方式，请参阅图16，预处理模块1还包括：

滤波子模块12，用于对原始心电图进行滤波处理，得到滤波后心电图；其中，滤波的过程中使用的滤波器的-3dB带宽为0.5-40Hz。

识别子模块13，用于识别滤波后心电图中的R波位置，并以所述R波位置为中心，且在所述重心的前后各取预定长度的心电图波形进行裁剪，得到单个R波对应的心电图片段。

图17是本发明实施例九提供的一种基于深度卷积神经网络的心电图诊断系统的结构示意图。

请参阅图17，采样子模块11包括：

采样单元110，用于采用512Hz的第二采样率对每个心电图片段进行采样，得到若干个预设长度的心跳片段。

图18是本发明实施例十提供的一种深度卷积神经网络模型获取模块的结构示意图。

请参阅图18，深度卷积神经网络模型由深度卷积神经网络模型获取模块6获取得到，深度卷积神经网络模型获取模块6包括：

结构设计子模块601，用于设计多组深度卷积神经网络的结构参数，所述结构参数包括权重和层参数；

样本和测试数据确定子模块602，用于确定样本数据集和测试数据集；

学习训练子模块603，用于采用监督式学习方法，将所述样本数据集输入多组深度卷积神经网络进行学习训练，得到学习训练结果；

误差计算子模块604，用于基于所述学习训练结果计算误差值；

优化子模块605，用于当所述误差值大于或等于设定的误差门限值时，采用后向传播反馈方法对所述结构参数进行优化，得到多组符合条件的目标深度卷积神经网络；

测试子模块606，用于采用测试样本对各个目标深度卷积神经网络进行测试，得到多个准确性测试值；

排名子模块607，用于对所述多个准确性测试值进行由高到低的排名，并选取排名结果中前50％的目标深度卷积神经网络进行下一轮学习训练，直至只剩下一个目标深度卷积神经网络，将其作为深度卷积神经网络模型。

图19是本发明实施例十一提供的一种基于深度卷积神经网络的心电图诊断系统的结构示意图。

请参阅图19，结构设计子模块601包括：

输入层结构确定单元6010，用于确定所述深度卷积神经网络模型的输入层结构，优选的是所述输入层结构包括卷积层，更为优选的是所述输入层的长度为所述心跳片段的预设长度；

隐藏层结构确定单元6011，用于确定所述深度卷积神经网络模型的隐藏层结构，优选的是所述隐藏层结构包括依次设置的卷积层、池化层、卷积层、池化层、全连接层、神经元丢弃层、全连接层和神经元丢弃层。

图20是本发明实施例十二提供的一种基于深度卷积神经网络的心电图诊断系统中优化子模块的一种实施方式的结构示意图。

请参阅图20，优化子模块605包括：

优化单元6051，用于采用后向传播反馈方法对所述结构参数进行优化是按照以下方法执行：

式5中，t代表迭代的次数，λ为训练速率，用于调整和控制单次优化的步长，W(t-1)为当前神经网络的权重W(t)为进行调整后的神经网络的权重E为误差函数，其中，训练速率λ一般是在训练过程中，随着t的增长不断下降的，下降可以有多种方式，例如线性下降，log下降，指数下降等。

由于神经网络是层次的结构，所以可以通过链式法则来从输出层反向推导，依次计算各层的梯度，从而得到每一次迭代后w(t)的值。

在本发明实施例中，深度卷积神经网络模型2结构中输入层的卷积层包括一激活函数和32个卷积神经元，卷积宽度为8；

所述深度卷积神经网络模型的隐藏层的每一所述卷积层包括一激活函数和32个卷积神经元，卷积宽度为8，所述池化层的池化系数为8；

所述深度卷积神经网络模型的隐藏层的每一所述全连接层包括80个神经元和一激活函数，每一所述神经元丢弃层的丢弃概率为0.2。

图21是本发明实施例十三提供的一种基于深度卷积神经网络的心电图诊断系统的结构示意图。

请参阅图21，该深度卷积神经网络模型获取模块6还包括：

权重和参数调整子模块608，用于分别调整训练数据集与测试数据集在所述训练数据库中的比例以减少所述训练样本的数量，并增大所述测试样本的数量。

图22是本发明实施例十四提供的一种基于深度卷积神经网络的心电图诊断系统的结构示意图。

请参阅图22，权重和参数调整子模块608包括：

判断子单元6081，用于判断所述训练数据集在所述训练数据库中所占的比例是否大于所述测试数据集在所述训练数据库中所占的比例；在所述训练数据集在所述训练数据库中所占的比例大于所述测试数据集在所述训练数据库中所占的比例时，则将所述测试数据集中的数据数量增加一倍作为用于下一轮学习训练的新测试集，且将1减去所述训练数据集在所述训练数据库中所占的比例得到的比例值作为用于下一轮学习训练的新训练数据集在所述训练数据库中的占比；以及在所述训练数据集在所述训练数据库中所占的比例不大于所述测试数据集在所述训练数据库中所占的比例时，将所述训练数据集中的数据数量增加一倍作为用于下一轮学习训练的新训练数据集，且将1减去所述测试数据集在所述训练数据库中所占的比例得到的比例值作为用于下一轮学习训练的新测试数据集在所述训练数据库中的占比。

其中，深度卷积神经网络模型3包括输入层，所述输入层包括一预设长度的卷积层，所述预设长度的卷积层包括一激活函数和32个卷积神经元，卷积宽度为8；深度卷积神经网络模型3还包括隐藏层，所述隐藏层依次连接的卷积层、池化层、卷积层、池化层、全连接层、神经元丢弃层、全连接层和神经元丢弃层，每一卷积层包括一激活函数和32个卷积神经元，卷积宽度为8，每一池化层的池化系数为8；每一全连接层包括80个神经元和一激活函数，每一神经元丢弃层的丢弃概率为0.2。

请参阅图23，本发明实施例十五的诊断系统还包括再优化模块7；

其中，所述再优化模块7包括：

训练子模块71，用于采用新的训练数据对所述深度卷积神经网络模型中希望加强识别能力的层的权重和参数进行训练；

冻结子模块72，用于将除希望加强识别能力的层之外的其它层的权重和参数进行冻结。

请参阅图24，本发明实施例十六的诊断系统还包括：

存储模块8，用于存储基于记录的单个样本心跳片段的分类输出结果中的最大值对应的类别以及与上一次心跳的间隔时间得到的心跳时间序列，和基于所述心跳时间序列与预设的医学判断准则形成的心跳时间序列和诊断结果的映射，其中，该映射关系用于对输入深度卷积神经网络模型中的心跳片段进行诊断得到诊断结果。

本发明旨在将深度卷积神经网络应用于心电图诊断中，进而通过对深度卷积神经网络的结构设计、参数优化和再次训练优化，达到直接省略了现有技术中复杂繁琐的特征提取步骤，实现利用深度卷积神经网络自身的学习特性，对原始心电图数据直接进行训练和学习。这样一方面可以降低繁琐的特征提取步骤带来的计算开销，另一方面也提高了诊断方法在分类时候的准确性。该技术在国际权威的MIT-BIH心律失常数据库、AHA数据库上进行验证，对于心电图心律失常分析最为关键的VEB和SVEB的阳性预测值和敏感度相对目前学术界的最高准确率均有至少5％-15％的提升。与现有的心电图自动分析技术相比，本发明的检测和诊断准确率高，应用时计算开销小，计算速度快，并且可以进行有针对性的个性化的再次训练优化。从而可以在样本量增长的同时，进一步提高准确性。同时由于深度卷积神经网络的特点，该技术方案易于部署，针对不同导联数据、不同采样率系统的适应性强，因此其具备极高的临床应用价值。

其中，结构设计包括：

1.深度卷积神经网络层的类型选择，例如卷积层、神经元丢弃层、全连接层的选择；

2.深度卷积神经网络层的数量选择；

3.深度卷积神经网络层的排布关系设计；

4.单个深度卷积神经网络层的参数设计，包括神经元数目、激活函数、卷积宽度、初始化方法等。

在本发明前述的实施例中，激活函数可以选取ReLu，其能够消除梯度影响。

需要说明的是，本发明一种基于深度卷积神经网络的心电图诊断系统是与涉及计算机程序流程的一种基于深度卷积神经网络的心电图诊断方法一一对应的装置/系统，由于在前已经对一种基于深度卷积神经网络的心电图诊断方法的步骤流程进行了详细描述，在此不再对一种基于深度卷积神经网络的心电图诊断系统的实施过程进行赘述。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims

1.一种基于深度卷积神经网络的心电图诊断方法，其特征在于，包括：

对采集到的人体的原始心电图进行预处理，得到若干个预设长度的心跳片段；

将所述心跳片段输入已训练好的深度卷积神经网络模型中，得到各个类别的预测值；

记录最大预测值对应的单个心跳的类别以及该心跳与上一次心跳的间隔时间，形成一时间序列；

基于预设的临床诊断准则与时间序列的映射关系，对所述时间序列匹配诊断准则，得到相应的诊断结果。

2.根据权利要求1所述的心电图诊断方法，其特征在于，对所述原始心电图进行预处理的步骤包括：

对所述原始心电图进行滤波处理，得到滤波后心电图；

识别所述滤波后心电图中的R波位置，并以所述R波位置为中心，且在所述中心的前后各取预定长度的心电图波形进行裁剪，得到单个R波对应的心电图片段；

优选地，对所述原始心电图进行预处理的步骤还包括：

采用大于所述第一采样率的第二采样率对每个所述心电图片段进行采样，得到若干个预设长度的心跳片段，所述第一采样率为所述原始心电图的采样率。

3.根据权利要求1-2任一项所述的心电图诊断方法，其特征在于，按照如下方法获取所述深度卷积神经网络模型：

设计多组深度卷积神经网络的结构参数，所述结构参数包括层权重和层参数；

确定样本数据集和测试数据集；

采用所述样本数据集对所述多组深度卷积神经网络进行学习训练，得到多组学习训练结果；

基于所述多组学习训练结果计算得到多组误差值；

当所述多组误差值大于或等于设定的误差门限值时，采用后向传播反馈方法对所述结构参数进行优化，得到多组符合条件的目标深度卷积神经网络；

采用测试样本对各个目标深度卷积神经网络进行测试，得到多个准确性测试值；

对所述多个准确性测试值进行由高到低的排名，并选取排名结果中前50％的目标深度卷积神经网络进行下一轮学习训练，直至只剩下一个目标深度卷积神经网络，将其作为深度卷积神经网络模型。

4.根据权利要求3所述的心电图诊断方法，其特征在于，设计深度卷积神经网络模型的结构的步骤包括：

确定所述深度卷积神经网络模型的输入层结构；

确定所述深度卷积神经网络模型的隐藏层结构；

优选的是所述输入层结构包括卷积层；

更为优选的是所述输入层的长度为所述心跳片段的预设长度；

优选的是所述隐藏层结构包括依次设置的卷积层、池化层、卷积层、池化层、全连接层、神经元丢弃层、全连接层和神经元丢弃层。

5.根据权利要求4所述的心电图诊断方法，其特征在于：

所述深度卷积神经网络模型的输入层的卷积层包括一激活函数和32个卷积神经元，卷积宽度为8；

6.根据权利要求3所述的心电图诊断方法，其特征在于，每次在进行下一轮学习训练时，包括：

分别调整训练数据集与测试数据集在所述训练数据库中的比例以减少所述训练样本的数量，并增大所述测试样本的数量。

7.根据权利要求6所述的心电图诊断方法，其特征在于，分别调整训练数据集与测试数据集在所述训练数据库中的比例的步骤具体按照以下方法执行：

判断所述训练数据集在所述数据库中所占的比例是否大于所述测试数据集在所述训练数据库中所占的比例；

若是，则将所述测试数据集中的数据数量增加一倍作为用于下一轮学习训练的新测试集，且将1减去所述训练数据集在整个数据集中所占的比例得到的比例值作为用于下一轮学习训练的新训练数据集在所述训练数据库中的占比；

否则，将所述训练数据集中的数据数量增加一倍作为用于下一轮学习训练的新训练数据集，且将1减去所述测试数据集在整个数据集中所占的比例得到的比例值作为用于下一轮学习训练的新测试数据集在所述训练数据库中的占比。

8.根据权利要求3所述的心电图诊断方法，其特征在于，所述诊断方法还包括：对所述权重和参数进行再次优化；

其中，对所述权重和参数进行再次优化的步骤包括：采用新的训练数据对所述深度卷积神经网络模型中希望加强识别能力的层的权重和参数进行训练，并将除希望加强识别能力的层之外的其它层的权重和参数进行冻结。

9.根据权利要求1所述的心电图诊断方法，其特征在于，还包括：

记录单个样本心跳片段的分类输出结果中的最大值对应的类别以及与上一次心跳的间隔时间，得到心跳时间序列；

基于所述心跳时间序列与预设的医学判断准则，形成心跳时间序列和诊断结果的映射，用于对输入深度卷积神经网络模型中的心跳片段进行诊断得到诊断结果。

10.一种基于深度卷积神经网络的心电图诊断系统，其特征在于，包括：

预处理模块(1)，用于对采集到的人体的原始心电图进行预处理，得到若干个预设长度的心跳片段并输入深度卷积神经网络模型(2)中；

深度卷积神经网络模型(2)，用于基于输入的心跳片段输出各个类别的预测值；

记录模块(3)，用于记录最大预测值对应的单个心跳的类别以及该心跳与上一次心跳的间隔时间，形成一时间序列；

匹配模块(4)，用于基于预设的临床诊断准则与时间序列的映射关系，对所述时间序列匹配诊断准则，得到相应的诊断结果。