CN109063552B - 一种多导联心电信号分类方法和系统 - Google Patents
一种多导联心电信号分类方法和系统 Download PDFInfo
- Publication number
- CN109063552B CN109063552B CN201810652115.7A CN201810652115A CN109063552B CN 109063552 B CN109063552 B CN 109063552B CN 201810652115 A CN201810652115 A CN 201810652115A CN 109063552 B CN109063552 B CN 109063552B
- Authority
- CN
- China
- Prior art keywords
- lead
- convolution
- layer
- branch
- electrocardiosignals
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000000747 cardiac effect Effects 0.000 claims abstract description 21
- 230000001360 synchronised effect Effects 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000003062 neural network model Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 abstract description 8
- 238000007500 overflow downdraw method Methods 0.000 abstract description 6
- 230000002159 abnormal effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000035945 sensitivity Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000000418 Premature Cardiac Complexes Diseases 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- A61B5/72—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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Veterinary Medicine (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Data Mining & Analysis (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Fuzzy Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Cardiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种多导联心电信号分类方法，包括：S1、通过多支路卷积残差神经网络处理多导联心电信号以提取每个所述多导联心电信号的信号特征；S2、对提取到的所述多导联心电信号的信号特征进行融合；S3、基于Softmax函数对融合后的所述多导联心电信号进行分类。本发明还涉及一种多导联心电信号分类系统。实施本发明的多导联心电信号分类方法和系统，通过采用多支路卷积残差神经网络来捕捉不同导联的同步心电信号特征，然后进行融合，最终进行分类，可以提高对所述多导联心电信号进行分类的准确率。进一步，可以根据实际需要选择不同的融合方法，提高了本发明的多导联心电信号分类方法和系统的应用的灵活性和适应性。
Description
技术领域
本发明涉及信号处理，更具体地说，涉及一种多导联心电信号分类方法和系统。
背景技术
目前，12导同步记录心电图仪已经在临床中广泛使用了。12导同步记录心电图仪可同时在12导联上记录同一心动周期的心电信号，对单源或多源早搏的识别及定位、心律失常的分类、室内传导阻滞的诊断等都比其他心电图仪具有优越性。12导同步记录心电图仪可同步整体观察12导联同一心动周期的波形，大大提高各种测量的准确性，降低了目前存在的心电图测量的变异性。2导同步记录心电图仪可促进P、QRS、T波时限及PR、Q-T间期等基本测量参数标准化的建立。图1a示出了常规ECG12个导联的导联位置。图1b示出了12导联的6个额面导联I、II、III、aVR、aVL、aVF的位置示意图，其只能反应上、下、左、右，这一平面的心电活动。图1c示出了12导联的6个横面导联V1、V2、V3、V4、V5、V6的位置示意图，其只能反应前、后、左、右，这一平面的心电活动。
对于12导同步记录心电图仪采集的多导联心电信号，需要一种能够自动检测正常和异常心电信号，以提高分类准确率的多导联心电信号分类方法。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种多导联心电信号分类方法和系统。
本发明解决其技术问题所采用的技术方案是：构造一种多导联心电信号分类方法，包括：
S1、通过多支路卷积残差神经网络处理多导联心电信号以提取每个所述多导联心电信号的信号特征；
S2、对提取到的所述多导联心电信号的信号特征进行融合；
S3、基于Softmax函数对融合后的所述多导联心电信号进行分类。
在本发明所述的多导联心电信号分类方法中，所述步骤S1进一步包括：
S11、选取正交的八个导联的每个导联的多个心电采样信号进行第一次卷积；
S12、将第一次卷积后的卷积信号经过多个卷积残差神经网络模型以获得各个导联心电信号的所述信号特征。
在本发明所述的多导联心电信号分类方法中，每个所述卷积残差神经网络模型包括：第一支路第一卷积层、第一支路第二卷积层、第二支路第一卷积层、第二支路第二卷积层，第一叠加层、第三卷积层、第四卷积层和第二叠加层，所述第一支路第一卷积层、所述第一支路第二卷积层和所述第一叠加层依次连接，所述第二支路第一卷积层、所述第二支路第二卷积层同样和所述第一叠加层依次连接，所述第一叠加层依次连接所述第三卷积层、所述第四卷积层和所述第二叠加层，所述第一叠加层同时还直接连接所述第二叠加层。
在本发明所述的多导联心电信号分类方法中，所述步骤S2进一步包括：
S21、通过8*1的卷积核来卷积提取到的各个导联心电信号的所述信号特征；
S22、将同一时刻的各个导联心电信号的所述信号特征进行融合；
S23、进一步通过全连接层对所述信号特征进行融合。
在本发明所述的多导联心电信号分类方法中，所述步骤S2进一步包括：
S2A、通过16*1的卷积核来卷积提取到的各个导联心电信号的所述信号特征；
S2B、将同一个导联的各个导联心电信号的所述信号特征进行融合；
S2C、进一步通过全连接层对所述信号特征进行融合。
在本发明所述的多导联心电信号分类方法中，所述步骤S2进一步包括：
S2a、直接通过全连接层对提取到的各个导联心电信号的所述信号特征进行融合。
本发明解决其技术问题采用的另一技术方案是，构造一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现所述的多导联心电信号分类方法。
本发明解决其技术问题采用的另一技术方案是，构造一种多导联心电信号分类系统，包括：
12导同步记录心电图仪，用于获取多导联心电信号；
处理器，所述处理器上存储有计算机程序，所述程序被所述处理器执行时实现以下步骤：
S1、通过多支路卷积残差神经网络处理多导联心电信号以提取每个所述多导联心电信号的信号特征；
S2、对提取到的所述多导联心电信号的信号特征进行融合；
S3、基于Softmax函数对融合后的所述多导联心电信号进行分类。
在本发明所述的多导联心电信号分类系统中，所述程序被所述处理器执行进一步实现以下步骤：
S11、选取正交的八个导联的每个导联的多个心电采样信号进行第一次卷积；
S12、将第一次卷积后的卷积信号经过多个卷积残差神经网络模型以获得各个导联心电信号的所述信号特征。
在本发明所述的多导联心电信号分类系统中，每个所述卷积残差神经网络模型包括：第一支路第一卷积层、第一支路第二卷积层、第二支路第一卷积层、第二支路第二卷积层，第一叠加层、第三卷积层、第四卷积层和第二叠加层，所述第一支路第一卷积层、所述第一支路第二卷积层和所述第一叠加层依次连接，所述第二支路第一卷积层、所述第二支路第二卷积层同样和所述第一叠加层依次连接，所述第一叠加层依次连接所述第三卷积层、所述第四卷积层和所述第二叠加层，所述第一叠加层同时还直接连接所述第二叠加层。
实施本发明的多导联心电信号分类方法和系统，通过采用多支路卷积残差神经网络来捕捉不同导联的同步心电信号特征，然后进行融合，最终进行分类，可以提高对所述多导联心电信号进行分类的准确率。进一步，可以根据实际需要选择不同的融合方法，提高了本发明的多导联心电信号分类方法和系统的应用的灵活性和适应性。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1a示出了常规ECG12个导联的导联位置；
图1b示出了12导联的6个额面导联I、II、III、aVR、aVL、aVF的位置示意图；
图1c示出了12导联的6个横面导联V1、V2、V3、V4、V5、V6的位置示意图；
图2是根据本发明的第一实施例的多导联心电信号分类方法的流程图；
图3是根据本发明的优选实施例的卷积残差神经网络模型的示意图；
图4是根据本发明的优选实施例的三种多导联心电信号分类方法的框架示意图；
图5是现有技术的单导联的心电信号分类方法的框架示意图；
图6是本申请的多导联心电信号分类方法和图5所示的单导联的心电信号分类方法的结果比较示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明主要涉及一种多导联心电信号分类方法，包括：S1、通过多支路卷积残差神经网络处理多导联心电信号以提取每个所述多导联心电信号的信号特征；S2、对提取到的所述多导联心电信号的信号特征进行融合；S3、基于Softmax函数对融合后的所述多导联心电信号进行分类。实施本发明的多导联心电信号分类方法和系统，通过采用多支路卷积残差神经网络来捕捉不同导联的同步心电信号特征，然后进行融合，最终进行分类，可以提高对所述多导联心电信号进行分类的准确率。
图2是根据本发明的第一实施例的多导联心电信号分类方法的流程图。如图2所示，在步骤S1中，通过多支路卷积残差神经网络处理多导联心电信号以提取每个所述多导联心电信号的信号特征。在本发明的一个优选实施例中，所述步骤S1进一步包括：S11、选取正交的八个导联的每个导联的多个心电采样信号进行第一次卷积；以及S12、将第一次卷积后的卷积信号经过多个卷积残差神经网络模型以获得各个导联心电信号的所述信号特征。
本领域技术人员知悉，临床心电图一般由同步的12个导联(I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6)组成，在这12个导联中，II、III、V1、V2、V3、V4、V5、V6导联是正交的,剩余4个导联由8个基本导联线性推导而出，因此我们优选选取8个基本导联来进行训练和分类。
在本发明的优选实施例中，首先选择正交的八个导联的每个导联的多个心电采样信号，例如8×2000的二维数组，代表8个导联的数据(每个导联取2000个采样点，每一行就是一个导联)；将其进行第一次卷积，例如先通过卷积核为1×50的卷积层进行第一次卷积。
接着，将第一次卷积后的卷积信号经过多个卷积残差神经网络模型以获得各个导联心电信号的所述信号特征。例如，可以通过四个这样的卷积残差神经网络模型，这些模型的网络结构、卷积核大小、步长相同，唯一不同的就是卷积核深度，这样就可以各个导联心电信号的所述信号特征。
图3是根据本发明的优选实施例的卷积残差神经网络模型的示意图。如图3所示，每个所述卷积残差神经网络模型包括：第一支路第一卷积层Conv1、第一支路第二卷积层Conv2、第二支路第一卷积层Conv1‘、第二支路第二卷积层Conv2‘，第一叠加层、第三卷积层Conv3、第四卷积层Conv4和第二叠加层，所述第一支路第一卷积层Conv1、所述第一支路第二卷积层Conv2和所述第一叠加层依次连接，所述第二支路第一卷积层Conv1‘、所述第二支路第二卷积层Conv2‘同样和所述第一叠加层依次连接，所述第一叠加层依次连接所述第三卷积层Conv3、所述第四卷积层Conv4和所述第二叠加层，所述第一叠加层同时还直接连接所述第二叠加层。
如图3所示，输入信号x分别输入两条卷积神经网络支路以降低维度，每条支路都有两个卷积层，相同层卷积的卷积核大小、深度、步长等超参数都相同，整个网络中“Conv”均代表“Conv-BN-Relu”这种顺序结构。通过两条支路来提取特征F1(x)和F2(x)，然后相加y1＝F1(x)和F2(x)。我们希望提取的特征的抽象程度相同，相加可以对提取的特征产生相互增强的作用。实验中证明增加太多条支路对结果不会产生明显的提高，考虑效率的原因，两条支路是比较好的选择。当然，本领域技术人员知悉，
残差网络是通过前向神经网络+“快捷连接”来实现的，快捷连接是跳过中间的一层或更多层，快捷连接简单的执行恒等映射，并将它们的输出添加到叠加层的输出,即y＝F3(y1)+y1。在本文中把图3的这种结构命名为“DBCRN Block”。
在步骤S2中，对提取到的所述多导联心电信号的信号特征进行融合。本领域技术人员可以采用本领域中的任何融合方法来实现该融合过程。在本发明的一个优选实施例中，考虑8个导联之间的同步性，先通过8×1的卷积来融合提取到的各个导联特征，把同一时刻的各个导联特征进行融合。在该实施例中，该融合步骤可以包括以下步骤：S21、通过8*1的卷积核来卷积提取到的各个导联心电信号的所述信号特征；S22、将同一时刻的各个导联心电信号的所述信号特征进行融合；S23、进一步通过全连接层对所述信号特征进行融合。
在本发明的另一个优选实施例中，考虑8个导联之间的正交性，通过1×16的卷积来融合提取的各个导联特征，把单个导联的特征进行融合。在该实施例中，该融合步骤可以包括以下步骤：S2A、通过16*1的卷积核来卷积提取到的各个导联心电信号的所述信号特征；S2B、将同一个导联的各个导联心电信号的所述信号特征进行融合；S2C、进一步通过全连接层对所述信号特征进行融合。
在本发明的再一个优选实施例中，直接通过全连接层来融合提取到的各个导联特征，让全链接层来寻找各导联特征之间的关系。在该实施例中，该融合步骤可以包括以下步骤：直接通过全连接层对提取到的各个导联心电信号的所述信号特征进行融合。
在步骤S3中，基于Softmax函数对融合后的所述多导联心电信号进行分类。Softmax函数是本领域中已知的分类函数，本领域技术人员可以根据本领域中已知的分类函数知识，将所述多导联心电信号进行分类，最终映射到不同种类的心电信号。
实施本发明的多导联心电信号分类方法，通过采用多支路卷积残差神经网络来捕捉不同导联的同步心电信号特征，然后进行融合，最终进行分类，可以提高对所述多导联心电信号进行分类的准确率。进一步，可以根据实际需要选择不同的融合方法，提高了本发明的多导联心电信号分类方法和系统的应用的灵活性和适应性。
图4是根据本发明的优选实施例的三种多导联心电信号分类方法的框架示意图。如图4所示，首先选择正交的八个导联的每个导联的多个心电采样信号，例如8×2000的二维数组，代表8个导联的数据(每个导联取2000个采样点，每一行就是一个导联)。“Conv”代表卷积层；“DBCRN Block1”、“DBCRN Block2”、“DBCRN Block3”、“DBCRN Block4”代表图3中的网络结构，它们的网络结构、卷积核大小、步长相同，唯一不同的就是卷积核深度。输入信号先通过卷积核为1×50的卷积层，再通过4个“DBCRN Block”的网络结构，提取各个导联的特征；“@”之前和之后的数字指的是此层中的特征图的数量和特征图的尺寸。
为了比较用不同方法来融合特征所取得的效果，图4示出了本发明的三个优选实现方式。方法一：考虑8个导联之间的同步性，先通过8×1的卷积来融合提取到的各个导联特征，把同一时刻的各个导联特征进行融合。在该实施例中，该融合步骤可以包括以下步骤：S21、通过8*1的卷积核来卷积提取到的各个导联心电信号的所述信号特征；S22、将同一时刻的各个导联心电信号的所述信号特征进行融合；S23、进一步通过全连接层对所述信号特征进行融合。
方法二：考虑8个导联之间的正交性，通过1×16的卷积来融合提取的各个导联特征，把单个导联的特征进行融合。在该实施例中，该融合步骤可以包括以下步骤：S2A、通过16*1的卷积核来卷积提取到的各个导联心电信号的所述信号特征；S2B、将同一个导联的各个导联心电信号的所述信号特征进行融合；S2C、进一步通过全连接层对所述信号特征进行融合。
方法三：直接通过全连接层来融合提取到的各个导联特征，让全链接层来寻找各导联特征之间的关系。在该实施例中，该融合步骤可以包括以下步骤：直接通过全连接层对提取到的各个导联心电信号的所述信号特征进行分类。
我们在CCDD数据库上使用的具体网络配置如表1所示。我们把方法一所用的网络结构称为”MBCRNet-T”,方法二所用的网络结构称为”MBCRNet-L”,方法三所用的网络结构称为”MBCRNet-F”。
在CCDD数据库中，通过3种不同方法进行特征融合所用的网络结构，表中的“Conv”代表“conv-BN-Relu”这种顺序结构，由于空间原因，没有显示BN、ReLU、Dropout层。
下面对图4所示的方法进行验证如下。CCDD数据都来自医院临床数据，有12个导联，采样率为500Hz，每条记录10s左右，总共19万多条记录。在本文中取标注为“正常心电图”和“正常窦性心律”的记录为正常(标签记为“0”)，其他都为异常(标签记为“1”)。在本发明这，正常或者异常并不能直接用于疾病的判断或者诊断。
数据预处理的步骤如下：(1)去除无效心电图945个，去除数据重复及记录时间小于8s的心电图，得到162887个样本，其中正常样本数有90804个，异常样本数有72083个。(2)90804个正常样本中随机取70000个正常样本，72083个异常样本中随机取70000个异常样本，共有14万个样本，构成训练集和测试集。(3)把原始数据的采样率500Hz降低到250Hz。提取每个样本中8个导联(II、III、V1、V2、V3、V4、V5、V6)的数据，每个导联提取2000个采样值。
仿真系统环境为Linux，CPU为i7，内存是32G，GPU是4*NVIDIA1080TI，深度学习框架是Keras。针对多导联心电信号分类，将提取到的II、III、V1、V2、V3、V4、V5、V6这8个导联的数据组成8×2000的二维数组，输入网络进行训练。把数据分为10份，轮流把其中的1份当成测试集，测试集中正常样本和异常样本的比例为1:1，均为7000个样本，另外9份当成训练集，做10折交叉验证。为了比较单导联和多导联对心电信号分类的影响，实验中对8个单导联分别进行训练和分类，并做10折交叉验证，使用的网络结构如图5的现有技术的单导联的心电信号分类方法的框架。对其结果分析如下。
首先，在本申请中，使用准确率(ACC)和灵敏度(Se)两个性能指标来评价模型的能力。TP、FP、TN、FN分别代表的是真正例、假正例、真反例、假反例。准确率代表的是模型的分类能力：ACC＝(TP+TN)/(TP+TN+FP+FN)。灵敏度代表模型对负样本分类的准确率：Se＝TP/(TP+FN)。
采用本申请的多导联心电信号分类方法的10折交叉验证结果如表2所示:
表格2也可以验证，“MBCRNet-L”测试集的平均准确率和平均灵敏度比“MBCRNet-T”和“MBCRNet-F”的都高，由此可知通过网络提取每个导联各自的特征，考虑到导联之间的正交性，通过卷积来实现特征融合能取得更好的效果。“MBCRNet-L”测试集的平均准确率和平均灵敏度比“MBCRNet-T”的高，这说明了得到了各个导联特征后，对于分类问题，考虑各个导联之间的正交性比同步性更好，因为在分析心电图时，考虑的是各个导联在整个心电图周期内的形态，而不是仅仅只看同一时间段内的心电信号。
图6是本申请的多导联心电信号分类方法和图5所示的单导联的心电信号分类方法的结果比较示意图。图6对比了单个导联分类和多导联分类的准确率。对于正常和异常心电图分类，在单导联中，III导的平均准确率是78.96％，低于其他7个导联的平均准确率，V5导的平均准确率是85.19％，是单导联中最高的，8个单导联的平均准确率是81.66％。多导联特征融合的三种方法分别取得了86.59％、87.04％、86.59％的平均准确率，不仅比8个单导联的平均准确率高，而且比8个单导联中的V5导的平均准确率高，由此得出相对单个导联的判决，本发明的三种多导联心电信号分类方法都可以获得增益。
在相同的数据库中，我们将三种方法中准确率最高的“MBCRNet-L”与一些现有技术的实验结果进行了对比。本申请中提出的基于残差网络的端到端模型，取得了87.06％的准确率和89.93％的灵敏度，准确率和灵敏度都优于现有技术的方法。
在本申请中，我们提出了一种端到端自动检测正常和异常心电信号的方法。所提出的方法是用多支路卷积和残差网络构建了一个深层架构来研究多导联同步心电信号。这个深层次的体系结构主要采用多支路卷积和残差网络来捕捉不同导联的同步心电信号特征，所提取的特征通过卷积或全连接来融合，最终映射到不同种类的心电信号。我们提出的方法验证了融合导联的信息可以提高准确率。在实验中，通过10折交叉验证，对正常和异常心电图进行分类取得了87.04％的平均准确率和89.93％的灵敏度，证明了所提出的残差网络模型方法优于其他的方法，因此我们认为所提出的方法可以作为多导联心电信号分类问题的特征学习和分类的竞争工具。
实施本发明的多导联心电信号分类方法，通过采用多支路卷积残差神经网络来捕捉不同导联的同步心电信号特征，然后进行融合，最终进行分类，可以提高对所述多导联心电信号进行分类的准确率。进一步，可以根据实际需要选择不同的融合方法，提高了本发明的多导联心电信号分类方法和系统的应用的灵活性和适应性。
本申请还涉及一种多导联心电信号分类系统，包括：12导同步记录心电图仪，用于获取多导联心电信号；处理器，所述处理器上存储有计算机程序，所述程序被所述处理器执行时实现以下步骤：S1、通过多支路卷积残差神经网络处理多导联心电信号以提取每个所述多导联心电信号的信号特征；S2、对提取到的所述多导联心电信号的信号特征进行融合；S3、基于全连接层和Softmax函数对融合后的所述多导联心电信号进行分类。
本领域技术人员知悉，所述处理器可以执行前述实施例中任意一种多导联心电信号分类方法。基于本发明的教导，本领域技术人员能够构造上述多导联心电信号分类系统，在此就不再累述了。
实施本发明的多导联心电信号分类系统，通过采用多支路卷积残差神经网络来捕捉不同导联的同步心电信号特征，然后进行融合，最终进行分类，可以提高对所述多导联心电信号进行分类的准确率。进一步，可以根据实际需要选择不同的融合方法，提高了本发明的多导联心电信号分类方法和系统的应用的灵活性和适应性。
因此，本发明可以通过硬件、软件或者软、硬件结合来实现。本发明可以在至少一个计算机系统中以集中方式实现，或者由分布在几个互连的计算机系统中的不同部分以分散方式实现。任何可以实现本发明方法的计算机系统或其它设备都是可适用的。常用软硬件的结合可以是安装有计算机程序的通用计算机系统，通过安装和执行程序控制计算机系统，使其按本发明方法运行。
本发明还可以通过计算机程序产品进行实施，程序包含能够实现本发明方法的全部特征，当其安装到计算机系统中时，可以实现本发明的方法。本文件中的计算机程序所指的是：可以采用任何程序语言、代码或符号编写的一组指令的任何表达式，该指令组使系统具有信息处理能力，以直接实现特定功能，或在进行下述一个或两个步骤之后实现特定功能：a)转换成其它语言、编码或符号；b)以不同的格式再现。
虽然本发明是通过具体实施例进行说明的，本领域技术人员应当明白，在不脱离本发明范围的情况下，还可以对本发明进行各种变换及等同替代。另外，针对特定情形或材料，可以对本发明做各种修改，而不脱离本发明的范围。因此，本发明不局限于所公开的具体实施例，而应当包括落入本发明权利要求范围内的全部实施方式。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种多导联心电信号分类方法，其特征在于，包括：
S1、通过多支路卷积残差神经网络处理多导联心电信号以提取每个所述多导联心电信号的信号特征；
S2、对提取到的所述多导联心电信号的信号特征进行融合；
S3、基于Softmax函数对融合后的所述多导联心电信号进行分类；
所述步骤S1进一步包括：
S11、选取正交的八个导联的每个导联的多个心电采样信号进行第一次卷积；
S12、将第一次卷积后的卷积信号经过多个卷积残差神经网络模型以获得各个导联心电信号的所述信号特征；
每个所述卷积残差神经网络模型包括：第一支路第一卷积层、第一支路第二卷积层、第二支路第一卷积层、第二支路第二卷积层，第一叠加层、第三卷积层、第四卷积层和第二叠加层，所述第一支路第一卷积层、所述第一支路第二卷积层和所述第一叠加层依次连接，所述第二支路第一卷积层、所述第二支路第二卷积层同样和所述第一叠加层依次连接，所述第一叠加层依次连接所述第三卷积层、所述第四卷积层和所述第二叠加层，所述第一叠加层同时还直接连接所述第二叠加层；
每条支路都有两个卷积层，相同层卷积的卷积核大小、深度、步长这三个超参数都相同；通过两条支路来提取特征，然后相加。
2.根据权利要求1所述的多导联心电信号分类方法，其特征在于，所述步骤S2进一步包括：
S21、通过8*1的卷积核来卷积提取到的各个导联心电信号的所述信号特征；
S22、将同一时刻的各个导联心电信号的所述信号特征进行融合；
S23、进一步通过全连接层对所述信号特征进行融合。
3.根据权利要求1所述的多导联心电信号分类方法，其特征在于，所述步骤S2进一步包括：
S2A、通过16*1的卷积核来卷积提取到的各个导联心电信号的所述信号特征；
S2B、将同一个导联的各个导联心电信号的所述信号特征进行融合；
S2C、进一步通过全连接层对所述信号特征进行融合。
4.根据权利要求1所述的多导联心电信号分类方法，其特征在于，所述步骤S2进一步包括：
S2a、直接通过全连接层对提取到的各个导联心电信号的所述信号特征进行融合。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现根据权利要求1-4中任意一项权利要求所述的多导联心电信号分类方法。
6.一种多导联心电信号分类系统，其特征在于，包括：
12导同步记录心电图仪，用于获取多导联心电信号；
处理器，所述处理器上存储有计算机程序，所述程序被所述处理器执行时实现以下步骤：
S1、通过多支路卷积残差神经网络处理多导联心电信号以提取每个所述多导联心电信号的信号特征；
S2、对提取到的所述多导联心电信号的信号特征进行融合；
S3、基于Softmax函数对融合后的所述多导联心电信号进行分类；所述程序被所述处理器执行进一步实现以下步骤：
S11、选取正交的八个导联的每个导联的多个心电采样信号进行第一次卷积；
S12、将第一次卷积后的卷积信号经过多个卷积残差神经网络模型以获得各个导联心电信号的所述信号特征；每个所述卷积残差神经网络模型包括：第一支路第一卷积层、第一支路第二卷积层、第二支路第一卷积层、第二支路第二卷积层，第一叠加层、第三卷积层、第四卷积层和第二叠加层，所述第一支路第一卷积层、所述第一支路第二卷积层和所述第一叠加层依次连接，所述第二支路第一卷积层、所述第二支路第二卷积层同样和所述第一叠加层依次连接，所述第一叠加层依次连接所述第三卷积层、所述第四卷积层和所述第二叠加层，所述第一叠加层同时还直接连接所述第二叠加层；
每条支路都有两个卷积层，相同层卷积的卷积核大小、深度、步长这三个超参数都相同；通过两条支路来提取特征，然后相加。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810652115.7A CN109063552B (zh) | 2018-06-22 | 2018-06-22 | 一种多导联心电信号分类方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810652115.7A CN109063552B (zh) | 2018-06-22 | 2018-06-22 | 一种多导联心电信号分类方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109063552A CN109063552A (zh) | 2018-12-21 |
| CN109063552B true CN109063552B (zh) | 2021-03-30 |
Family
ID=64820745
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810652115.7A Expired - Fee Related CN109063552B (zh) | 2018-06-22 | 2018-06-22 | 一种多导联心电信号分类方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109063552B (zh) |
Families Citing this family (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109840511A (zh) * | 2018-12-29 | 2019-06-04 | 深兰科技（上海）有限公司 | 一种信号分类方法、终端及存储介质 |
| CN110008674B (zh) * | 2019-03-25 | 2020-10-16 | 浙江大学 | 一种高泛化性的心电信号身份认证方法 |
| CN110327034B (zh) * | 2019-04-15 | 2022-07-15 | 浙江工业大学 | 一种基于深度特征融合网络的心动过速心电图的筛查方法 |
| CN110046604B (zh) * | 2019-04-25 | 2023-05-30 | 成都信息工程大学 | 一种基于残差网络的单导联ecg心律失常检测分类方法 |
| CN111931799B (zh) * | 2019-05-13 | 2023-06-20 | 百度在线网络技术（北京）有限公司 | 图像识别方法及装置 |
| CN110236521A (zh) * | 2019-05-20 | 2019-09-17 | 上海数创医疗科技有限公司 | 用于心电图类型识别的双卷积神经网络 |
| CN109998532A (zh) * | 2019-06-04 | 2019-07-12 | 广州视源电子科技股份有限公司 | 基于多导联多结构聚合网络的心电信号识别方法和装置 |
| CN110263684B (zh) * | 2019-06-06 | 2021-02-09 | 山东省计算中心（国家超级计算济南中心） | 基于轻量级神经网络的心电图分类方法 |
| CN110236530A (zh) * | 2019-06-20 | 2019-09-17 | 武汉中旗生物医疗电子有限公司 | 一种心电信号qrs波群定位方法、装置及计算机存储介质 |
| CN110226920B (zh) * | 2019-06-26 | 2022-07-08 | 广州视源电子科技股份有限公司 | 心电信号识别方法、装置、计算机设备和存储介质 |
| CN110288028B (zh) * | 2019-06-27 | 2021-11-02 | 北京邮电大学 | 心电检测方法、系统、设备及计算机可读存储介质 |
| CN110522440B (zh) * | 2019-08-12 | 2021-04-13 | 广州视源电子科技股份有限公司 | 基于分组卷积神经网络的心电信号识别装置 |
| CN110522442B (zh) * | 2019-08-16 | 2022-07-08 | 广州视源电子科技股份有限公司 | 多导联心电异常检测装置、电子设备和存储介质 |
| US20210232914A1 (en) * | 2020-01-17 | 2021-07-29 | Ever Fortune.Ai Co., Ltd. | Method for building a heart rhythm classification model |
| CN111543977B (zh) * | 2020-05-09 | 2023-04-07 | 益体康(北京)科技有限公司 | 基于12导联静息心电图的多级联人工智能排阴方法 |
| CN111657926B (zh) * | 2020-07-08 | 2021-04-23 | 中国科学技术大学 | 一种基于多导联信息融合的心律失常分类方法 |
| CN112617856A (zh) * | 2020-12-14 | 2021-04-09 | 上海交通大学 | 基于残差神经网络的冠心病心电图筛查系统及方法 |
| CN112957052B (zh) * | 2021-01-25 | 2023-06-23 | 北京工业大学 | 一种基于nlf-cnn导联融合深度网络的多导联心电信号分类方法 |
| CN112990025A (zh) * | 2021-03-19 | 2021-06-18 | 北京京东拓先科技有限公司 | 用于处理数据的方法、装置、设备以及存储介质 |
| CN113288161A (zh) * | 2021-06-02 | 2021-08-24 | 南京信息工程大学 | 一种基于改进残差网络单导联ecg信号分类方法及系统 |
| CN114970608B (zh) * | 2022-05-06 | 2023-06-02 | 中国科学院自动化研究所 | 基于眼电信号的人机交互方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015047462A2 (en) * | 2013-06-03 | 2015-04-02 | The Regents Of The University Of California | Artifact removal techniques with signal reconstruction |
-
2018
- 2018-06-22 CN CN201810652115.7A patent/CN109063552B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 深度残差网络JPEG隐写分析器的特性;谭舜泉等;《中南理工大学学报（自然科学版）》;20180515;第46卷(第5期);期刊第1-2节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109063552A (zh) | 2018-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109063552B (zh) | 一种多导联心电信号分类方法和系统 | |
| CN103815897B (zh) | 一种心电图特征提取方法 | |
| CN110890155B (zh) | 一种基于导联注意力机制的多类心律失常检测方法 | |
| De Chazal et al. | A patient-adapting heartbeat classifier using ECG morphology and heartbeat interval features | |
| CN108875575B (zh) | 基于多通道信号融合深度神经网络自动心律失常分析方法 | |
| CN107530019B (zh) | 针对不同ecg导联系统的ecg电缆互换的自动检测/分类 | |
| CN108720831B (zh) | 一种基于导联深度神经网络的自动心律失常分析方法 | |
| Leutheuser et al. | Comparison of real-time classification systems for arrhythmia detection on Android-based mobile devices | |
| CN108937912B (zh) | 一种基于深度神经网络的自动心律失常分析方法 | |
| CN111631705A (zh) | 心电异常检测方法、模型训练方法、装置、设备及介质 | |
| CN115470828A (zh) | 基于卷积与自注意力机制的多导联心电图分类识别方法 | |
| CN112932433B (zh) | 一种心电图的心律失常自动分类方法 | |
| CN112971800A (zh) | 基于深度学习的心电早搏信号处理方法、模块和装置 | |
| WO2020061987A1 (zh) | 多导联联合心电图分类方法 | |
| Deng et al. | ST-Net: Synthetic ECG tracings for diagnosing various cardiovascular diseases | |
| CN110192851B (zh) | 一种基于机器学习技术的心律失常分析系统 | |
| Kafantaris et al. | Application of dispersion entropy to healthy and pathological heartbeat ECG segments | |
| JP2020528295A (ja) | 不整脈に関係する心拍を分類するためのシステム及び方法 | |
| Petrolis et al. | Multi stage principal component analysis based method for detection of fetal heart beats in abdominal ECGs | |
| CN112842355B (zh) | 基于深度学习目标检测的心电信号心搏检测识别方法 | |
| Bashir et al. | Highlighting the current issues with pride suggestions for improving the performance of real time cardiac health monitoring | |
| Nagel et al. | Quantification of interpatient 12-lead ECG variabilities within a healthy cohort | |
| WO2019241994A1 (zh) | 一种多导联心电信号分类方法和系统 | |
| Sharabaty et al. | FPGA-Based Multi Heart Diseases Classification System with the Aid of LabVIEW | |
| De Chazal | Heartbeat classification system using adaptive learning from selected beats |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210330 |