CN109036573A - 基于生成式对抗网络技术的心电图生成及分类方法 - Google Patents
基于生成式对抗网络技术的心电图生成及分类方法 Download PDFInfo
- Publication number
- CN109036573A CN109036573A CN201810735860.8A CN201810735860A CN109036573A CN 109036573 A CN109036573 A CN 109036573A CN 201810735860 A CN201810735860 A CN 201810735860A CN 109036573 A CN109036573 A CN 109036573A
- Authority
- CN
- China
- Prior art keywords
- electrocardiogram
- curve
- data set
- refers
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005516 engineering process Methods 0.000 title abstract description 3
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 9
- 210000002569 neuron Anatomy 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000013145 classification model Methods 0.000 claims description 7
- 206010006578 Bundle-Branch Block Diseases 0.000 claims description 6
- 208000000418 Premature Cardiac Complexes Diseases 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 206010006580 Bundle branch block left Diseases 0.000 claims description 3
- 206010006582 Bundle branch block right Diseases 0.000 claims description 3
- 230000001746 atrial effect Effects 0.000 claims description 3
- 201000001715 left bundle branch hemiblock Diseases 0.000 claims description 3
- 201000007916 right bundle branch block Diseases 0.000 claims description 3
- 230000002861 ventricular Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 28
- 238000002565 electrocardiography Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 208000006029 Cardiomegaly Diseases 0.000 description 2
- 206010003119 arrhythmia Diseases 0.000 description 2
- 230000006793 arrhythmia Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 208000010125 myocardial infarction Diseases 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000031225 myocardial ischemia Diseases 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06N3/048—Activation functions
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于生成式对抗网络技术的心电图生成及分类方法，通过GAN生成式对抗网络训练心电曲线得到生成模型和判别模型，发掘和整合更多的心电曲线数据，其中，判别模型采用CNN卷积神经网络结构，对使生成的心电曲线更接近真实，通过RBF神经网络训练心电曲线得到分类模型，通过生成的心电曲线对分类模型进行测试，以使分类模型可以在临床研究中使用，实现精准医疗和智能医疗。
Description
技术领域
本发明涉及医疗文本的数据挖掘领域，具体涉及一种基于生成式对抗网络的心电图生成及分类方法。
背景技术
心电图(ECG或者EKG)是利用心电图机从体表记录心脏每一心动周期所产生的电活动变化图形的技术。心电图被认为是反映人体心脏变化、诊断心脏疾病的通用技术。心电图是临床最常用的检查之一，应用广泛。应用范围包括：记录人体正常心脏的电活动、帮助诊断心律失常、帮助诊断心肌缺血、心肌梗死及部位、诊断心脏扩大及肥厚、判断药物或电解质情况对心脏的影响、判断人工心脏起搏状况等。
人工智能在近年来得到了快速的发展，在医学实践和研究中应用人工智能的新兴研究成果，可以实现智能医疗和精准医疗。智能医疗不仅可以帮助医生等医学实践者做出更精准的判断，而且可以根据病患者的体征、化验等数据做出预测，进而可以采取一些有效的预防措施。例如，有研究人员成功地根据心电图的监测数据提前预测心肌梗死的发生。
在此之前首先要进行机器学习，机器学习需要大量的心电曲线进行训练以得到决策模型，再对模型进行效果测试后才能在临床中应用实践。但数据的匮乏限制了智能医疗的发展。故而，如何有效生成各种不同的心电图数据，以用于机器学习的模型训练，是本领域亟待解决的问题。
MIT-BIH是由美国麻省理工学院提供的研究心律失常的数据库。目前国际上公认的可作为标准的心电数据库有三个，分别是美国麻省理工学院提供的MIT-BIH数据库，美国心脏学会的AHA数据库以及欧洲ST-T心电数据库。其中MIT-BIH数据库近年来应用比较广泛。MIT-BIH为了节省文件长度和存储空间，使用自定义的格式。单个心电记录由以下三部分组成：(1) 头文件[.hea]，存储方式ASCII码字符；(2)数据文件[.dat]，按二进制存储，每三个字节存储两个数，一个数12bit；(3)注释文件[.atr]，按二进制存储。此外，需要注意的是，[.dat]二进制文件统一采用212格式进行存储。212格式是针对两个信号的数据库记录，这两个信号的数据交替存储，每三个字节存储两个数据，也就是一个数据占12位。这两个数据分别采样自信号0和信号1，信号0的采样数据取自第一字节对(16位)的最低12位，信号1的采样数据由第一字节对的剩余4位(作为组成信号1采样数据的12位的高4 位)和下一字节的8位(作为组成信号1采样数据的12位的低8位)共同组成。
生成对抗网络的核心是生成模型(G)和对抗模型(D)，对抗模型也称为判别模型。以生成心电图为例，生成模型是一个用于生成心电图的网络，它接收一个人为初始化的随机噪声z，通过这个噪声生成心电图，记做G(z)。对抗模型是一个判别网络，它的作用是判别一张心电图是不是“真实的”。它的输入参数是x，x可以理解为一张心电图，输出D(x)代表x为真实心电图的概率，如果为1，就代表它是真实的心电图，而输出为0，就代表不可能是真实的心电图。在训练过程中，生成网络G的目标就是尽量生成真实的心电图去欺骗判别网络D。而D的目标就是尽量把G生成的图片和真实的图片分别开来。因此，G和D构成了一个动态的“博弈过程”。
Ian J.Goodfellow证明了该神经网络的收敛性，即在最理想的状态下，G 可以生成足以“以假乱真”的心电图G(z)。对于D来说，它难以判定G生成的心电图究竟是不是真实的，此时D(G(z))＝0.5。
发明内容
本发明的发明目的是提供一种基于生成式对抗网络的心电图生成及分类方法。
为实现上述发明目的，本发明提供以下的技术方案：一种基于生成式对抗网络的心电图生成及分类方法，包括如下步骤：
(1)下载心电记录数据集，解析所述心电记录数据集中的每条心电记录以获取多条心电曲线，解析得到的多条心电曲线构成样本心电曲线数据集，转至步骤(2)和步骤(3)；
(2)通过RBF神经网络对所述样本心电曲线数据集中的心电曲线进行训练，得到分类模型，转至步骤(7)；
(3)通过GAN生成式对抗网络对所述样本心电曲线数据集中的心电曲线进行训练，得到生成模型和判别模型，转至步骤(4)；
(4)通过所述生成模型生成多条心电曲线，生成的多条心电曲线构成生成心电曲线数据集，转至步骤(5)；
(5)判断所述生成心电曲线数据集中是否有无效心电曲线，如是，则自所述生成心电曲线数据集移除无效心电曲线，转至步骤(6)，如否，则直接转至步骤(6)；
(6)判断所述生成心电曲线数据集中的有效心电曲线心率是否异常，如是，则自所述生成心电曲线数据集移除心率异常心电曲线，转至步骤(7)，如否，则直接转至步骤(7)
(7)通过所述分类模型对所述生成心电曲线数据集中的心率正常心电曲线进行如下分类：正常、左束支传导阻滞、右束支传导阻滞、房性早搏以及室性早搏。
上述技术方案中，步骤(1)中，自MIT医疗数据库网站下载MIT-BTH 数据集以构成所述心电记录数据集，每条心电记录由头文件[.hea]，数据文件 [.dat]，注释文件[.art]组成，在Matlab环境下解析所述心电记录数据集中的每条心电记录，所述心电曲线以tif的格式存储。
上述技术方案中，每条心电记录包括两个导联，步骤(2)中，在进行训练之前，将样本心电曲线数据集中不包括出现频率最高的修正肢导联Ⅱ的心电记录移除。
上述技术方案中，步骤(2)中，RBF神经网络的sigmoid输出函数如下：
ρ(||x-ci||)＝exp(-β||x-ci||2)；
其中，x指的是输入向量，大小为1*m；
N指的是隐藏层的神经元个数；
ci指的是神经元i的中心向量；
ai指的是线性输出层神经元i的权重；
ρ指的是径向基函数，此处选择高斯函数作为径向基函数；
exp(·)指的是以e为底数的对数函数；
β是一个普通的参数，用以优化φ函数和数据之间的匹配。
上述技术方案中，各个聚类的中心采用如下步骤得到：
(2.1)从所述样本心电曲线数据集中任意选择五条心电曲线分别作为五个聚类的中心；
(2.2)计算每条心电曲线与各个中心的距离，每条心电曲线加入与其距离最小的中心所属的聚类，加入聚类的心电曲线为聚类对象；
(2.3)重新计算有变化的聚类的中心；
(2.4)根据如下函数计算方差，
其中，cmax代表最终的每个聚类中，通过计算每个对象和中心对象之间的距离，然后取这些距离的最大值；
m表示表示隐藏层的神经元个数；
判断函数是否收敛，如是，则终止训练，各个聚类的中心坐标分别作为各个神经元的中心向量，如否，则转至步骤(2.2)。
上述技术方案中，根据如下函数计算每个聚类的权重,
a的下标i代表隐藏层第i个神经元；
o代表输出层，即隐藏层第i个神经元与输出层之间的权重；
m表示隐藏层的神经元个数(即聚类的总个数)；
p代表隐藏层中第i个神经元连接到输出层的所有输入向量的个数；
xj表示第i个神经元中所有连接到输出层的输入向量中的第j个向量。
上述技术方案中，步骤(3)中，所述GAN生成式对抗网络的目标函数如下：
其中，log指的是对数函数，底数为自然指数e；
D指判别模型，其采用CNN卷积神经网络；
G指生成模型，用于生成心电曲线；
Pdata(x)代表样本心电曲线数据集中心电曲线的数据分布；
z指的是人为创建的噪声数据集；
pz(z)是噪声数据集服从的分布；
G(z)指的是生成模型基于噪声数据集生成的心电曲线的分布，用以“欺骗”判别模型。
D(x)指的是判别模型对于输入的真实数据，输出其真伪的结果；
D(G(z))指的是判别模型对于输入的生成数据，输出其真伪的结果。
上述技术方案中，步骤(5)中，采用规则推理的方法判断所述生成心电曲线数据集中的心电曲线是否为无效心电曲线。
上述技术方案中，步骤(6)中，判断所述生成心电曲线数据集中的心电曲线是否心率异常之前，先采用低通滤波器和带通滤波器的方法去除各心电曲线的高频噪声。
上述技术方案中，步骤(6)中，采用如下函数计算每条有效心电曲线的平均心率，
即
avg＝(n-1)×t×freq/(R[n]-R[1])
其中，n为某条心电曲线QRS波的个数；
t为60s；
freq为心电曲线采样频率，设定为360Hz；
R[n]和R[1]分别表示第n个和第1个R波所在导联的采样点位置，单位是 Hz/s；
判断每条心电曲线的平均心率avg是否小于60beats/min或者大于 100beats/min，如是，则该心电曲线为心率异常心电曲线，如否，则该心电曲线为心率正常心电曲线。
由于上述技术方案运用，本发明与现有技术相比具有以下优点：本发明公开的基于生成式对抗网络的心电图生成及分类方法，通过GAN生成式对抗网络训练心电曲线得到生成模型和判别模型，发掘和整合更多的心电曲线数据，其中，判别模型采用CNN卷积神经网络结构，对使生成的心电曲线更接近真实，通过RBF神经网络训练心电曲线得到分类模型，通过生成的心电曲线对分类模型进行测试，以使分类模型可以在临床研究中使用，实现精准医疗和智能医疗。
附图说明
图1为本发明公开的基于生成式对抗网络的心电图生成及分类方法的流程图；
图2为本发明公开的RBF神经网络的结构图；
图3为本发明公开的GAN生成式对抗网络的结构图。
具体实施方式
下面结合本发明的原理、附图以及实施例对本发明进一步描述
参见图1至图3，如其中的图例所示，一种基于生成式对抗网络的心电图生成及分类方法，包括如下步骤：
(1)下载心电记录数据集，解析上述心电记录数据集中的每条心电记录以获取多条心电曲线，解析得到的多条心电曲线构成样本心电曲线数据集，转至步骤(2)和步骤(3)；
(2)通过RBF神经网络对上述样本心电曲线数据集中的心电曲线进行训练，得到分类模型，转至步骤(7)；
(3)通过GAN生成式对抗网络对上述样本心电曲线数据集中的心电曲线进行训练，得到生成模型和判别模型，转至步骤(4)；
(4)通过上述生成模型生成多条心电曲线，生成的多条心电曲线构成生成心电曲线数据集，转至步骤(5)；
(5)判断上述生成心电曲线数据集中是否有无效心电曲线，如是，则自上述生成心电曲线数据集移除无效心电曲线，转至步骤(6)，如否，则直接转至步骤(6)；
(6)判断上述生成心电曲线数据集中的有效心电曲线心率是否异常，如是，则自上述生成心电曲线数据集移除心率异常心电曲线，转至步骤(7)，如否，则直接转至步骤(7)；
(7)通过上述分类模型对上述生成心电曲线数据集中的心率正常心电曲线进行如下分类：正常、左束支传导阻滞、右束支传导阻滞、房性早搏以及室性早搏。
本实施例中，步骤(1)中，自MIT医疗数据库网站下载MIT-BTH数据集以构成上述心电记录数据集，上述心电记录数据集包括48条心电记录，每条心电记录由头文件[.hea]，数据文件[.dat]，注释文件[.art]组成，在Matlab 环境下解析上述心电记录数据集中的每条心电记录，上述心电曲线以tif的格式存储。
本实施例中，每条心电记录包括两个导联，出现频率最高的是修正肢导联II。因此取修正肢导联II的数据进行试验，步骤(2)中，在进行训练之前，将样本心电曲线数据集中不包括出现频率最高的修正肢导联Ⅱ的2条心电记录移除，步骤(2)中通过RBF神经网络对上述样本心电曲线数据集中的46条心电曲线进行训练，对上述每条心电曲线，以R波波峰位置为中心，向前提取120个数据点，向后提取119个数据点，这样包括R波波峰在内一共240个数据点，形成分类模型的输入向量。
本实施例中，步骤(2)和(7)中，RBF神经网络的sigmoid输出函数如下：
ρ(||x-ci||)＝exp(-β||x-ci||2)；
其中，x指的是输入向量，大小为1*240；
N指的是隐藏层的神经元个数，即聚类(分类类别)的个数，为5；
ci指的是神经元i的中心向量，即某个聚类的中心坐标；
ai指的是线性输出层神经元i的权重，即某个聚类的权重矩阵；
ρ指的是径向基函数，此处选择高斯函数作为径向基函数；
exp(·)指的是以e为底数的对数函数；
β是一个普通的参数，用以优化φ函数和数据之间的匹配，其取值随神经网络的不断训练而更新。
本实施例中，各个聚类的中心采用如下步骤得到：
(2.1)从上述样本心电曲线数据集中任意选择五条心电曲线分别作为五个聚类的中心；
(2.2)计算每条心电曲线与各个中心的距离，每条心电曲线加入与其距离最小的中心所属的聚类，加入聚类的心电曲线为聚类对象；
(2.3)重新计算有变化的聚类的中心，中心为与各个聚类对象的距离最小的坐标；
(2.4)根据如下函数计算方差，
其中，cmax代表最终的每个聚类中，通过计算每个对象和中心对象之间的距离，然后取这些距离的最大值；
m表示聚类的总个数；
判断函数是否收敛，如是，则终止训练，各个聚类的中心坐标分别作为各个神经元的中心向量，如否，则转至步骤(2.2)。
本实施例中，根据如下函数计算每个聚类的权重,
a的下标i代表隐藏层第i个神经元；
o代表输出层，即隐藏层第i个神经元与输出层之间的权重；
m表示隐藏层的神经元个数(即聚类的总个数)；
p代表隐藏层中第i个神经元连接到输出层的所有输入向量的个数；
xj表示第i个神经元中所有连接到输出层的输入向量中的第j个向量。
本实施例中，步骤(3)中，上述GAN生成式对抗网络的目标函数如下：
其中，
指鉴别器尝试最大化函数V(D,G)，使其辨别真伪能力达到最大，另一方面，生成模型的任务完全相反，它试图最小化函数V(D,G)，使真实数据和假数据之间的区别最小化；
V(D,G)指的是目标函数名；
E代表期望；
log指的是对数函数，底数为自然指数e；
D指判别模型，其采用CNN卷积神经网络；
G指生成模型，用于生成心电曲线；
Pdata(x)代表样本心电曲线数据集中心电曲线的数据分布；
z指的是人为创建的噪声数据集；
pz(z)是噪声数据集服从的分布；
G(z)指的是生成模型基于噪声数据集生成的心电曲线的分布，用以“欺骗”判别模型。
D(x)指的是判别模型对于输入的真实数据，输出其真伪的结果；
D(G(z))指的是判别模型对于输入的生成数据，输出其真伪的结果。
本实施例中，步骤(5)中，采用规则推理的方法判断上述生成心电曲线数据集中的心电曲线是否为无效心电曲线。
本实施例中，步骤(6)中，判断上述生成心电曲线数据集中的心电曲线是否心率异常之前，先采用低通滤波器和带通滤波器的方法去除各心电曲线的高频噪声。
本实施例中，步骤(6)中，采用如下函数计算每条有效心电曲线的平均心率，
即
avg＝(n-1)×t×freq/(R[n]-R[1])
其中，n为某条心电曲线QRS波的个数；
t为60s；
freq为心电曲线采样频率，设定为360Hz；
R[n]和R[1]分别表示第n个和第1个R波所在导联的采样点位置，单位是 Hz/s；
判断每条心电曲线的平均心率avg是否小于60beats/min或者大于 100beats/min，如是，则该心电曲线为心率异常心电曲线，如否，则该心电曲线为心率正常心电曲线。
一种实施方式中，步骤(16)中的设定的阈值BLEU_MAX设定值为0.5。
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发明。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发明的精神或范围的情况下，在其它实施例中实现。因此，本发明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 (10)
1.一种基于生成式对抗网络的心电图生成及分类方法，其特征在于，包括如下步骤：
(1)下载心电记录数据集，解析所述心电记录数据集中的每条心电记录以获取多条心电曲线，解析得到的多条心电曲线构成样本心电曲线数据集，转至步骤(2)和步骤(3)；
(2)通过RBF神经网络对所述样本心电曲线数据集中的心电曲线进行训练，得到分类模型，转至步骤(7)；
(3)通过GAN生成式对抗网络对所述样本心电曲线数据集中的心电曲线进行训练，得到生成模型和判别模型，转至步骤(4)；
(4)通过所述生成模型生成多条心电曲线，生成的多条心电曲线构成生成心电曲线数据集，转至步骤(5)；
(5)判断所述生成心电曲线数据集中是否有无效心电曲线，如是，则自所述生成心电曲线数据集移除无效心电曲线，转至步骤(6)，如否，则直接转至步骤(6)；
(6)判断所述生成心电曲线数据集中的有效心电曲线心率是否异常，如是，则自所述生成心电曲线数据集移除心率异常心电曲线，转至步骤(7)，如否，则直接转至步骤(7)
(7)通过所述分类模型对所述生成心电曲线数据集中的心率正常心电曲线进行如下分类：正常、左束支传导阻滞、右束支传导阻滞、房性早搏以及室性早搏。
2.根据权利要求1所述的心电图生成及分类方法，其特征在于，步骤(1)中，自MIT医疗数据库网站下载MIT-BTH数据集以构成所述心电记录数据集，每条心电记录由头文件[.hea]，数据文件[.dat]，注释文件[.art]组成，在Matlab环境下解析所述心电记录数据集中的每条心电记录，所述心电曲线以tif的格式存储。
3.根据权利要求1所述的心电图生成及分类方法，其特征在于，每条心电记录包括两个导联，步骤(2)中，在进行训练之前，将样本心电曲线数据集中不包括出现频率最高的修正肢导联Ⅱ的心电记录移除。
4.根据权利要求1所述的心电图生成及分类方法，其特征在于，步骤(2)中，RBF神经网络的sigmoid输出函数如下：
ρ(||x-ci||)＝exp(-β||x-ci||2)；
其中，x指的是输入向量，大小为1*m；
N指的是隐藏层的神经元个数；
ci指的是神经元i的中心向量；
ai指的是线性输出层神经元i的权重；
ρ指的是径向基函数，此处选择高斯函数作为径向基函数；
exp(·)指的是以e为底数的对数函数；
β是一个普通的参数，用以优化φ函数和数据之间的匹配。
5.根据权利要求4所述的心电图生成及分类方法，其特征在于，各个聚类的中心采用如下步骤得到：
(2.1)从所述样本心电曲线数据集中任意选择五条心电曲线分别作为五个聚类的中心；
(2.2)计算每条心电曲线与各个中心的距离，每条心电曲线加入与其距离最小的中心所属的聚类，加入聚类的心电曲线为聚类对象；
(2.3)重新计算有变化的聚类的中心；
(2.4)根据如下函数计算方差，
其中，cmax代表最终的每个聚类中，聚类对象与中心的最大距离；
m表示隐藏层的神经元个数；
判断函数是否收敛，如是，则终止训练，各个聚类的中心坐标分别作为各个神经元的中心向量，如否，则转至步骤(2.2)。
6.根据权利要求5所述的心电图生成及分类方法，其特征在于，根据如下函数计算每个聚类的权重,
a的下标i代表隐藏层第i个神经元；
o代表输出层，即隐藏层第i个神经元与输出层之间的权重；
m表示隐藏层的神经元个数；
p代表隐藏层中第i个神经元连接到输出层的所有输入向量的个数；
xj表示表示第i个神经元中所有连接到输出层的输入向量中的第j个向量。
7.根据权利要求1所述的心电图生成及分类方法，其特征在于，步骤(3)中，所述GAN生成式对抗网络的目标函数如下：
其中，log指的是对数函数，底数为自然指数e；
D指判别模型，其采用CNN卷积神经网络；
G指生成模型，用于生成心电曲线；
Pdata(x)代表样本心电曲线数据集中心电曲线的数据分布；
z指的是人为创建的噪声数据集；
pz(z)是噪声数据集服从的分布；
G(z)指的是生成模型基于噪声数据集生成的心电曲线的分布，用以“欺骗”判别模型；
D(x)指的是判别模型对于输入的真实数据，输出其真伪的结果；
D(G(z))指的是判别模型对于输入的生成数据，输出其真伪的结果。
8.根据权利要求1所述的心电图生成及分类方法，其特征在于，步骤(5)中，采用规则推理的方法判断所述生成心电曲线数据集中的心电曲线是否为无效心电曲线。
9.根据权利要求1所述的心电图生成及分类方法，其特征在于，步骤(6)中，判断所述生成心电曲线数据集中的心电曲线是否心率异常之前，先采用低通滤波器和带通滤波器的方法去除各心电曲线的高频噪声。
10.根据权利要求1所述的心电图生成及分类方法，其特征在于，步骤(6)中，采用如下函数计算每条有效心电曲线的平均心率，
即
avg＝(n-1)×t×freq/(R[n]-R[1])
其中，n为某条心电曲线QRS波的个数；
t为60s；
freq为心电曲线采样频率，设定为360Hz；
R[n]和R[1]分别表示第n个和第1个R波所在导联的采样点位置，单位是Hz/s；
判断每条心电曲线的平均心率avg是否小于60beats/min或者大于100beats/min，如是，则该心电曲线为心率异常心电曲线，如否，则该心电曲线为心率正常心电曲线。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810735860.8A CN109036573A (zh) | 2018-07-06 | 2018-07-06 | 基于生成式对抗网络技术的心电图生成及分类方法 |
| PCT/CN2018/112354 WO2020006939A1 (zh) | 2018-07-06 | 2018-10-29 | 基于生成式对抗网络的心电图生成及分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810735860.8A CN109036573A (zh) | 2018-07-06 | 2018-07-06 | 基于生成式对抗网络技术的心电图生成及分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109036573A true CN109036573A (zh) | 2018-12-18 |
Family
ID=64641125
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810735860.8A Pending CN109036573A (zh) | 2018-07-06 | 2018-07-06 | 基于生成式对抗网络技术的心电图生成及分类方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109036573A (zh) |
| WO (1) | WO2020006939A1 (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109998500A (zh) * | 2019-04-30 | 2019-07-12 | 陕西师范大学 | 一种基于生成式对抗网络的脉搏信号生成方法及系统 |
| CN110840445A (zh) * | 2019-12-12 | 2020-02-28 | 山东省计算中心（国家超级计算济南中心） | 一种动态心电信号的自动降噪方法 |
| CN110897634A (zh) * | 2019-12-17 | 2020-03-24 | 安徽心之声医疗科技有限公司 | 一种基于生成对抗网络的心电信号生成方法 |
| CN111067507A (zh) * | 2019-12-26 | 2020-04-28 | 常熟理工学院 | 基于生成对抗网络和策略梯度的心电信号去噪方法 |
| CN111839495A (zh) * | 2020-07-30 | 2020-10-30 | 深圳前海微众银行股份有限公司 | 检测方法、设备和存储介质 |
| CN111990989A (zh) * | 2020-08-31 | 2020-11-27 | 武汉大学 | 一种基于生成对抗及卷积循环网络的心电信号识别方法 |
| CN112597702A (zh) * | 2020-12-21 | 2021-04-02 | 电子科技大学 | 基于径向基函数的气动建模生成式对抗网络模型训练方法 |
| CN114224352A (zh) * | 2022-01-17 | 2022-03-25 | 武汉吉星医疗科技有限公司 | 基于rbf神经网络的心电图机的导联脱落检测系统及方法 |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI727678B (zh) * | 2020-02-26 | 2021-05-11 | 美商宇心生醫股份有限公司 | 自動心電圖數據處理方法 |
| CN112115782B (zh) * | 2020-08-12 | 2023-09-29 | 安徽心之声医疗科技有限公司 | 一种基于深度哈希神经网络的心电信号身份识别的方法 |
| CN112022144B (zh) * | 2020-09-09 | 2022-05-24 | 生物岛实验室 | 心电异常检测网络训练方法、心电异常预警方法及装置 |
| CN113907743B (zh) * | 2021-11-11 | 2022-06-17 | 四川大学 | Cgan和多尺度卷积神经网络实现呼吸检测的方法及系统 |
| WO2023141264A1 (en) * | 2022-01-20 | 2023-07-27 | Preventice Solutions, Inc. | Synthetic data augmentation for ecg using deep learning |
| CN114366116B (zh) * | 2022-01-28 | 2023-08-25 | 南方医科大学 | 一种基于Mask R-CNN网络及心电图的参数获取方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160199437A1 (en) * | 2015-01-08 | 2016-07-14 | D. Travis Wilson | Therapeutic compositions including iron chelators and uses thereof |
| CN107184198A (zh) * | 2017-06-01 | 2017-09-22 | 广州城市职业学院 | 一种心电信号分类识别方法 |
| CN107822622A (zh) * | 2017-09-22 | 2018-03-23 | 成都比特律动科技有限责任公司 | 基于深度卷积神经网络的心电图诊断方法和系统 |
| CN108095716A (zh) * | 2017-11-21 | 2018-06-01 | 郑州鼎创智能科技有限公司 | 一种基于置信规则库和深度神经网络的心电信号检测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105997055A (zh) * | 2016-07-11 | 2016-10-12 | 吉林大学 | 一种心电信号st段的自动分类方法、系统及装置 |
| CN106845147B (zh) * | 2017-04-13 | 2019-06-25 | 北京大数医达科技有限公司 | 医学经验总结模型的建立方法、装置 |
| CN107767376B (zh) * | 2017-11-02 | 2021-03-26 | 西安邮电大学 | 基于深度学习的x线片骨龄预测方法及系统 |
-
2018
- 2018-07-06 CN CN201810735860.8A patent/CN109036573A/zh active Pending
- 2018-10-29 WO PCT/CN2018/112354 patent/WO2020006939A1/zh active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160199437A1 (en) * | 2015-01-08 | 2016-07-14 | D. Travis Wilson | Therapeutic compositions including iron chelators and uses thereof |
| CN107184198A (zh) * | 2017-06-01 | 2017-09-22 | 广州城市职业学院 | 一种心电信号分类识别方法 |
| CN107822622A (zh) * | 2017-09-22 | 2018-03-23 | 成都比特律动科技有限责任公司 | 基于深度卷积神经网络的心电图诊断方法和系统 |
| CN108095716A (zh) * | 2017-11-21 | 2018-06-01 | 郑州鼎创智能科技有限公司 | 一种基于置信规则库和深度神经网络的心电信号检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| EDWARD CHOI 等: "Generating Multi-label Discrete Patient Records using Generative Adversarial Networks", 《ELECTRONIC HEALTH RECORD GENERATION》 * |
| 史航瑞 等: "基于RBF神经网络的心电分类识别算法研究", 《电脑知识与技术》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109998500A (zh) * | 2019-04-30 | 2019-07-12 | 陕西师范大学 | 一种基于生成式对抗网络的脉搏信号生成方法及系统 |
| CN110840445A (zh) * | 2019-12-12 | 2020-02-28 | 山东省计算中心（国家超级计算济南中心） | 一种动态心电信号的自动降噪方法 |
| CN110840445B (zh) * | 2019-12-12 | 2021-07-20 | 山东省计算中心（国家超级计算济南中心） | 一种动态心电信号的自动降噪方法 |
| CN110897634A (zh) * | 2019-12-17 | 2020-03-24 | 安徽心之声医疗科技有限公司 | 一种基于生成对抗网络的心电信号生成方法 |
| CN111067507A (zh) * | 2019-12-26 | 2020-04-28 | 常熟理工学院 | 基于生成对抗网络和策略梯度的心电信号去噪方法 |
| CN111839495A (zh) * | 2020-07-30 | 2020-10-30 | 深圳前海微众银行股份有限公司 | 检测方法、设备和存储介质 |
| CN111990989A (zh) * | 2020-08-31 | 2020-11-27 | 武汉大学 | 一种基于生成对抗及卷积循环网络的心电信号识别方法 |
| CN112597702A (zh) * | 2020-12-21 | 2021-04-02 | 电子科技大学 | 基于径向基函数的气动建模生成式对抗网络模型训练方法 |
| CN112597702B (zh) * | 2020-12-21 | 2022-07-19 | 电子科技大学 | 基于径向基函数的气动建模生成式对抗网络模型训练方法 |
| CN114224352A (zh) * | 2022-01-17 | 2022-03-25 | 武汉吉星医疗科技有限公司 | 基于rbf神经网络的心电图机的导联脱落检测系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020006939A1 (zh) | 2020-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109036573A (zh) | 基于生成式对抗网络技术的心电图生成及分类方法 | |
| CN106725428B (zh) | 一种心电信号分类方法及装置 | |
| CN110890155B (zh) | 一种基于导联注意力机制的多类心律失常检测方法 | |
| CN111990989A (zh) | 一种基于生成对抗及卷积循环网络的心电信号识别方法 | |
| CN111329469A (zh) | 一种心律异常预测方法 | |
| US20080103403A1 (en) | Method and System for Diagnosis of Cardiac Diseases Utilizing Neural Networks | |
| CN110638430B (zh) | 级联神经网络ecg信号心律失常分类模型的搭建方法 | |
| de Chazal et al. | Automatic classification of ECG beats using waveform shape and heart beat interval features | |
| Dang et al. | A novel deep convolutional neural network for arrhythmia classification | |
| CN111557660A (zh) | 一种亚群体深度学习框架下的心律失常识别方法 | |
| Alim et al. | Application of machine learning on ecg signal classification using morphological features | |
| Kaya | Classification of PVC beat in ECG using basic temporal features | |
| CN114692698A (zh) | 一种基于残差网络的一维心电数据分类方法 | |
| Shukri et al. | Investigation on Elman neural network for detection of cardiomyopathy | |
| Jiang et al. | Topological data analysis approach to extract the persistent homology features of ballistocardiogram signal in unobstructive atrial fibrillation detection | |
| CN111528833B (zh) | 一种心电信号的快速识别与处理方法及系统 | |
| Nicolet et al. | Classification of intracavitary electrograms in atrial fibrillation using information and complexity measures | |
| Liu et al. | Adaptive atrial fibrillation detection focused on atrial activity analysis | |
| Anbarasi et al. | Detection and classification of arrhythmia type using hybrid model of LSTM with convolutional neural network | |
| Kumari et al. | Classification of cardiac arrhythmia using hybrid genetic algorithm optimisation for multi-layer perceptron neural network | |
| Kim et al. | Lightweight Convolutional Neural Network for Real-Time Arrhythmia Classification on Low-Power Wearable Electrocardiograph | |
| Wen et al. | ECG beat classification using GreyART network | |
| Kumar et al. | Machine Learning and IoT based solutions for detection of arrhythmia using ECG signals | |
| Jangra et al. | Impact of feature extraction techniques on cardiac arrhythmia classification: experimental approach | |
| Pomprapa et al. | Deep learning of arrhythmia analysis based on convolutional 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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |
|
| RJ01 | Rejection of invention patent application after publication |