CN109645983A - 一种基于多模块神经网络的不平衡心拍分类方法 - Google Patents
一种基于多模块神经网络的不平衡心拍分类方法 Download PDFInfo
- Publication number
- CN109645983A CN109645983A CN201910021402.2A CN201910021402A CN109645983A CN 109645983 A CN109645983 A CN 109645983A CN 201910021402 A CN201910021402 A CN 201910021402A CN 109645983 A CN109645983 A CN 109645983A
- Authority
- CN
- China
- Prior art keywords
- heart beat
- module
- feature
- classification
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 12
- 230000010354 integration Effects 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims abstract description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 5
- 238000000718 qrs complex Methods 0.000 claims description 5
- 239000012634 fragment Substances 0.000 claims description 4
- 238000002759 z-score normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 abstract description 8
- 238000011176 pooling Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 206010003119 arrhythmia Diseases 0.000 description 6
- 238000013461 design Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 208000024172 Cardiovascular disease Diseases 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000006793 arrhythmia Effects 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 101100112373 Mus musculus Ctsm gene Proteins 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000001308 synthesis method Methods 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 230000006794 tachycardia Effects 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 208000001871 Tachycardia Diseases 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 208000006218 bradycardia Diseases 0.000 description 1
- 230000036471 bradycardia Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000005003 heart tissue Anatomy 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 208000004124 rheumatic heart disease Diseases 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 208000003663 ventricular fibrillation Diseases 0.000 description 1
- 206010047302 ventricular tachycardia Diseases 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Power Engineering (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多模块神经网络的不平衡心拍分类方法，包括：心电信号预处理模块、不平衡数据处理模块、特征提取和分类模块。预处理模块对心电信号进行去噪和分段；不平衡数据处理是系统的核心，其结合心电信号本身特点和算法的特点，先后引入边界样本特征线性合成(BLSM)、上下文特征综合模块(CTFM)和二阶段训练(2PT)三种处理不平衡问题的方法；特征提取和分类模块获取各类别心拍的高阶特征并实现最终的心拍分类。本发明的优点是：针对目前没有得到很好解决的不平衡心拍分类问题，从采样、特征和算法多角度提出相应的解决方法，提升了分类的准确率。本发明适用于解决时序数据、图像等在分类中的不平衡问题，该发明具有普适性。
Description
技术领域
本发明设计了一个心电心拍分类方法，针对不平衡的心拍数据对分类结果所造成的影响，提出了一套解决方案，属于工程应用与信息科学的交叉领域。
背景技术
心血管疾病(CVD)是一种全球死亡率最高的疾病，许多发展中国家每年死于CVD的人数都在增加，在特定年龄死于CVD的情况更为普遍。2015年，CVD致死人数达到1790万(32.1％)，超过了1990年的1230万人(25.8％)。心血管疾病包含冠心病、脑血管病、风湿性心脏病等疾病。心律失常是其中一种表现为心脏跳动过快、过慢或节奏不规则的心血管疾病。心跳过快，即成人每分钟超过100次，被称为心动过速；心率过慢，即每分钟低于60次，被称为心动过缓。广义上心律失常可分为两种，一种是会危及生命的，需要用除颤仪立即治疗的心室纤颤和心动过速；另一种占大多数的的心律失常，不会立刻危及生命但需要进一步预防和治疗。
我们通常用心电图来协助检测心脏问题，心电图(ECG)作为检查心脏组织和结构的主要诊断工具，反映了放置在皮肤上的电极所记录的一段时间内心脏的电活动，由代表着心机的极化或去极化的不同的波形组成。心电图包含了大量有关心脏结构和其电传导系统功能的信息，是对疾病进行诊断，心跳分类等的直接实验数据。
ECG的分析和分类任务主要应用于疾病分类，心拍类型检测，生物特征识别和情绪识别领域。本文旨在对心拍进行分类，这是确定心律失常的一个重要步骤。参照医学仪器进步协会(AAMI)提出的标准，非致命性心律失常可分为5个超类：N，S，V，F，Q。由于每种类别形态差异大，每个大类中又包含多个形态不同的子类，这给医生进行人工分析带来了很大的挑战。为了弥补视觉误差和人工解释的缺陷，研究人员开始开发计算机辅助诊断(CAD)系统来自动诊断心电图。
对心电信号进行全自动心拍分类包括如下四个步骤：心电信号的预处理、心拍分段、特征提取和分类。目前文献通过设计特征提取器先从原始数据中提取预测的特征，包括P-QRS-T 复合波特征、数据特征、形态特征、小波特征等，然后将其组织成最优的特征输入到传统的机器学习分类器，例如，人工神经网络(ANN)，决策树，支持向量机(SVM)，线性判别式分析， K近邻(KNN)，贝叶斯算法等中进行分类。然而这样的手工提取和组合特征的方法并不能精准的表示出信号中的最优特征，传统的机器学习方法也很容易导致模型过拟合。当处理大量数据的时候，会出现验证效果与训练相差甚远的情况。因此，精确有效的特征提取和分类方法对整个系统的最终诊断结果至关重要。
随着深度学习和神经网络在图像识别、语音识别、目标检测、自然语言处理等领域取得了巨大的成功，近年来逐渐被应用到ECG分析中。深度学习模型集特征提取和分类于一体，对从原始数据中自动学习到的高阶特征进行分类，许多文献都证实其在精度上超过了传统分类器与手工提取特征相结合的模型。近年来很多学者通过引入深度学习和神经网络模型，在心拍分类上实现了很好的效果，但他们并没有关注不同类别心拍数据量显著差异导致的不平衡问题对实验造成的影响。
不平衡问题是指训练集中某一个类的样本数量远超过其他类的数量。数量过多的类被称为多数类，其他类被称为少数类。以著名的MIT-BIH心律失常数据集为例，当心电信号被处理成心拍段落之后，其中N类别的心拍样本数量达到Q类别心拍样本的8000倍以上，达到 F类别心拍样本的100倍以上。因此，我们将N类称为多数类，其他类别称为少数类。在医学诊断领域中，将少数类样本(即异常样本)错误分类成多数样本(正常样本)会延迟最佳治疗时间，其代价远高于将多数类(正常样本)错分成少数类(异常样本)。此外，大多数机器学习算法都假定在平衡的数据上进行训练所得的，高度倾斜的训练数据会使学习到的算法更偏向于多数类。如何根据心电数据的特性，来克服不平衡的训练数据对分类问题所造成的影响，是我们需要解决的关键问题。
为了解决上述问题，本发明设计了多模块神经网络，其中引入了三种处理数据不平衡的方法，在提高心拍分类准确率的同时，有效地解决了不平衡问题带来的影响。
发明内容
发明目的：本发明的目的是设计一个不平衡心拍分类方法，其由多个模块组成，其中不平衡数据处理模块为系统的核心模块，旨在解决分类中的不平衡问题。该模块充分考虑心电信号本身性质和算法上的特点，结合数据和算法角度，提出三种处理不平衡数据的方法，有效解决心拍分类中的不平衡问题，提高最终的分类准确率。
技术方案：为实现上述目的，本发明提出基于多模块神经网络的不平衡心拍分类方法。该系统主要包括如下模块：心电信号预处理模块，不平衡数据处理模块，特征提取和分类模块。其具体技术方案包括以下三个步骤：
步骤一：针对原始心电信号，对其进行相关预处理。
(1)使用中值滤波和低通滤波，去除心电信号中的低频噪声、高频噪声和电线干扰。
(2)使用Pan-Tompkins算法检测R峰位置，并将每条心电信号分割成长度相等的心拍。
(3)对心拍样本进行Z-score标准化。
步骤二：对不平衡的心拍数据进行处理。
(1)引入边界样本特征线性合成(BLSM)方法，通过对少数类样本进行线性合成虚拟样本，来对对少数类进行过采样。
(2)设计上下文特征综合模块(CTFM)，同时根据较为完整的心拍信息和重要特征区域的特征信息来判断心拍所属类别。
(3)使用二阶段训练(2PT)方法对卷积神经网络进行训练和微调。
步骤三：将上述步骤处理后的心拍样本输入卷积神经网络模型进行特征提取和分类。
有益效果：本发明设计了基于多模块神经网络的不平衡心拍分类方法。针对在传统心拍分类方法中尚未得到解决的不平衡问题，结合心电信号本身性质和算法上的特点，对不平衡的心拍数据进行了一系列数据和算法上的处理，有效解决了心拍分类中的不平衡问题，提升了分类准确率。该发明能够对不平衡的数据进行准确的分类。本发明设计的系统经过扩展之后，不仅限于对不平衡的心拍进行分类，还可用于其他时间序列数据，甚至图片的分类问题。
附图说明
图1是本发明方法的整体流程图
图2是上下文综合特征模块(CTFM)第二部分(DAE)的结构图
图3是卷积神经网络(CNN)模型结构图
具体实施方式
下面结合附图，对本发明做进一步说明。
本发明的总体流程如图1所示。整体流程包括如下几个模块：心电信号预处理模块、不平衡数据处理模块、特征提取和分类模块。在预处理模块中，去除了原始心电信号中的噪声，并将其分割成长度相等的心拍片段；不平衡数据处理模块是整个系统的核心，该模块结合心电信号本身性质和算法上的特点，对不平衡的心拍数据进行了一系列数据和算法上的处理；最后，把处理后的心拍数据输入到卷积神经网络进行特征提取和分类。具体的实施步骤如下。
1.心电信号预处理模块
由于采集环境、采集设备等因素的影响，原始心电监测数据中存在一定的噪声数据，通过以下步骤，可得到相对干净的低噪声数据，并对其进行相关预处理。
(1)使用200ms宽度的中值滤波先去除P波和QRS复合波，然后用600ms宽度的中值滤波去除T波，再从原始信号中减去滤波之后的信号，得到基线校正的信号.
(2)使用35Hz的低通滤波器去除高频噪声和电线干扰。
(3)使用Pan-Tompkins算法检测R峰位置，信号以每个R峰为基准点，取其包含R峰在内的前130个点和后169个点，分割成总长度为300个采样点的片段。
(4)对分段后信号使用Z-score标准化来消除幅值缩放和偏移效应的影响并对其按类别进行分组以方便之后的操作。
2.不平衡数据处理模块
分类问题中的不平衡问题是本发明方法所要解决的关键问题。不平衡数据处理模块结合数据角度和算法角度，提出三种不平衡数据处理方法。首先，在数据角度，边界样本特征线性合成(BLSM)方法通过线性合成虚拟样本来对少数类样本进行过采样；其次，考虑到从不平衡的数据中提取出的特征更倾向于多数类，上下文特征综合模块(CTFM)将少数类别样本的显著特征与更大区域中的上下文信息一起作为最终分类器的输入，在增加了少数类样本的同时，也增强了对少数类样本特征识别的能力；最后，二阶段训练(2PT)用于对分类模型，即卷积神经网络(CNN)，进行训练和微调，在第一阶段，使用平衡后的样本训练CNN，第二阶段，原始不平衡的样本对输出层进行微调。该模块中涉及的三个方法描述如下。
(1)边界样本特征线性合成方法(BLSM)
由于深度学习模型通常需要大量的训练数据，因此在数据角度上采用过采样的方法。此外，为了避免随机过采样所造成的模型过拟合，我们引入边界样本特征线性合成方法(Borderline-SMOTE，以下简称BLSM)来合成一系列虚拟线性插值样本。
BLSM是基于SMOTE算法的改进算法。SMOTE通过在少数类别中抽取样本，与其相邻的k个样本在特征空间上进行线性合成填充原来样本之间的“空白区域”。这样就扩大了决策区域，减小了分类器学习的针对性。由于每个类别边界处的样本与远离边界的样本比较起来，更容易被误分类，对分类任务有着更重要的作用。为了在训练过程中更精准地学习到每个类别的边界，SMOTE的改进版本BLSM，仅将少数类样本中的边界样本与其近邻样本进行线性合成，使边界处容易分错的样本在之后得到比非边界处样本更多的训练。BLSM这种思想扩大了决策区域，减小了分类器学习的针对性。在BLSM算法中，我们首先找到边界处的少数类样本，然后在边界样本和其近邻的k个同类样本之间进行插值(k＝5)。本文对BLSM算法进行了一些改进使其更适用于一维心电时序数据，其详细过程如下所示。
算法具体流程如下所示。
由于如果仅使用BLSM使各类别之间数量达到完全平衡，将导致各类别之间的边界变得模糊，使分类任务更难准确进行。因此，我们使用上述方法对少数类样本进行部分合成，使其达到多数类样本数量的一半。
(2)上下文特征综合模块(CTFM)
在使用BLSM对少数类样本进行过采样之后，进而提出了一个全局信息综合模块(以下简称CTSM)，对之前得到的心拍数据做进一步扩充，使少数类的心拍数量从原来的N增加到 2N。
CTFM结构由两个部分组成，有利于最终分类器同时学习到每个心拍的重要部位(QRS 复合波区域)及上下文更大区域内的特征，同时根据较为完整的心拍信息和重要特征区域的信息来判断心拍所属类别。由于最终CNN的输入特征应为相同长度，故需将两部分的最终输出处理成相等长度的片段。第一部分用于对原始心拍的显著特征进行截取，获取其中主要包括QRS复合波在内的长度为N的重要特征片段；第二部分构建了一个去噪自编码器(DAE)，对上一节数据合成后获得的少数类别的总心拍段落进行特征提取，使用与第一部分长度相等的N个特征点较为准确地表示出原信号。CTSM通过以上两个部分得到的样本即为少数类别的最终输入到分类器的总样本。
其中，第二部分的去噪自编码器(DAE)结构如图2所示。DAE由两部分组成：一部分是函数h＝f(x)表示的编码器，将输入转换为内部的特征；另一部分是一个生成重构的解码器 r＝g(h)，将内部特征转换为输出；在输入编码器之前还引入了一个加噪过程
f(z)＝max(0，z) (2)
r＝g(h)＝w2h+b2 (3)
其中，是输入x经过损坏的副本，这里的为添加了加性高斯噪声(AGN)之后的数据。w1，w2分别为编码器和解码器的权重矩阵，在图2的对称自编码器中，二者的权重被绑定，在这里也就是这种技术使模型中权重减半，加快了训练速度，同时限制了模型发生过拟合。b1，b2分别为输入和输出层的偏置向量，偏置并不使用绑定。编码层使用激活函数ReLU将输入非线性化，但解码层是一个线性的过程，不需要使用激活函数。
通过最小化公式4的代价函数来调整超参数，使自编码器能够很好的表示输入信号。
模型的超参数设计如下：学习率为0.001，高斯噪声系数为0.01，每个batch大小设为200，训练轮数为2000轮。由于该阶段的主要目的是将原始输入信号转换为能够有效表示其特征原信号的长度更短的序列片段，过完备的表示更有利于之后的操作，因此只对自编码器进行无监督预训练，而不需要使用预训练后的低层网络重建一个神经网络将有标签数据作为输入进行有监督的后训练。当代价函数达到平稳状态时，我们便将此时自编码器所表示的特征视为下一阶段的输入。
(3)二阶段训练(2PT)
二阶段训练(2PT)是一种将数据与算法结合的克服类别不平衡问题的方法。在第一阶段，我们先将之前处理后得到的平衡数据输入CNN进行训练，此时神经网络具有在平衡数据水平上区分不同类别的特性；在第二阶段，我们保持前几层的参数取值固定不变，将输入数据更换为原始不平衡的数据集，仅对最后一层输出层进行微调，对最终的每个类别的输出概率进行校正。这种方式使最终的分类结果更具说服力。
3.特征提取和心拍分类模块
卷积神经网络(CNN)一般用于二维图像的特征提取和分类。该模块对传统CNN结构进行改进并设计了一个适合处理一维心电数据的CNN模型。
在本发明方法中，令心拍样本的输入向量为每个ECG片段中的特征点个数为n，卷积层的输出如下：
其中l是层的标号，σ是非线性激活函数，b为第jth个特征映射的偏置，M为卷积核的大小，是第jth个特征映射第mth个卷积核对应的权重。池化层通常在卷积层之后，通过使用某一位置相邻输出的总体统计特征代替网络在该位置的输出，来简化卷积层的信息，通常也被称为降采样层。本文使用了最大池化，通过给出相邻矩阵区域内的最大值来保留最显著的特征，具体见公式6：
其中R是池化窗口的大小，T是池化步长。
设计的模型结构如图3所示，其由1层输入层，3层卷积层，3层最大池化层，1层全连接层和1层输出层组成。每个池化层直接连接在相应的卷积层之后。输入层长度为N个特征点的片段，通过16个大小为2*1，步长为1的卷积核滤波处理，得到卷积层Conv1的16个长度为N的特征映射。池化层MaxPool1通过大小为2*1，步长为2的过滤器，提取出最显著的特征。卷积层Conv2和池化层MaxPool2分别使用大小为4*1，2*1，步长为1，2的过滤器，卷积层Conv3和池化层MaxPool3分别使用大小为5*1，2*1，步长为1，2的过滤器，按照公式(5)(6)进行与之前同样的处理。模型中每层都使用全0填充，保证输出与输入具有相同的大小，这样网络所能包含的卷积层的层数就不再受到限制。最终提取的特征与全连接层50 个神经元相连，再通过一个softmax函数区分各个类别的心拍。表1显示了CNN网络的结构细节。
表1 CNN网络结构细节
Claims (3)
1.一种基于多模块神经网络的不平衡心拍分类方法，其主要特征包括如下步骤：
(1)使用中值滤波和低通滤波，去除心电信号中的低频噪声、高频噪声和电线干扰；
(2)使用Pan-Tompkins算法检测R峰位置，并将每条心电信号分割成长度相等的心拍；
(3)对心拍样本进行Z-score标准化；
(4)引入边界样本特征线性合成(BLSM)方法，通过对少数类样本进行线性合成虚拟样本，来对对少数类进行过采样；
(5)设计上下文特征综合模块(CTFM)，同时根据较为完整的心拍信息和重要特征区域的特征信息来判断心拍所属类别；
(6)将上述步骤处理后的心拍样本输入卷积神经网络(CNN)模型进行特征提取和分类；
(7)使用二阶段训练(2PT)方法对卷积神经网络进行训练和微调。
2.根据权利要求1所述的基于多模块神经网络的不平衡心拍分类方法，其特征在于，步骤(5)设计的上下文特征综合模块(CTFM)，其实现过程包括：
(21)CTFM的第一部分用于对原始心拍的显著特征进行截取，获取其中主要包括QRS复合波在内的长度为N的重要特征片段；
(22)CTFM的第二部分构建了一个去噪自编码器(DAE)，对之前处理的心拍进行特征提取，使用与第一部分长度相等的N个特征点较为准确地表示出原始心拍；
(23)将每个心拍的重要部位(QRS复合波区域)及上下文更大区域内的特征，同时作为最终分类器的输入，同时根据较为完整的心拍信息和重要特征区域的信息来判断心拍所属类别。
3.根据权利要求1所述的基于多模块神经网络的不平衡心拍分类方法，其特征在于，步骤(4)(5)(7)的处理，有效解决了心拍分类中的不平衡问题，具体实现方法包括：
(31)在数据采样角度，引入边界样本特征线性合成(BLSM)方法，通过对少数类样本进行线性合成虚拟样本，来对对少数类进行过采样；
(32)在数据特征角度，设计上下文特征综合模块(CTFM)，同时根据较为完整的心拍信息和重要特征区域的特征信息来判断心拍所属类别；
(33)在算法角度，使用二阶段训练(2PT)方法对卷积神经网络进行训练和微调。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910021402.2A CN109645983A (zh) | 2019-01-09 | 2019-01-09 | 一种基于多模块神经网络的不平衡心拍分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910021402.2A CN109645983A (zh) | 2019-01-09 | 2019-01-09 | 一种基于多模块神经网络的不平衡心拍分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109645983A true CN109645983A (zh) | 2019-04-19 |
Family
ID=66119393
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910021402.2A Pending CN109645983A (zh) | 2019-01-09 | 2019-01-09 | 一种基于多模块神经网络的不平衡心拍分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109645983A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110141226A (zh) * | 2019-05-29 | 2019-08-20 | 清华大学深圳研究生院 | 自动睡眠分期方法、装置、计算机设备及计算机存储介质 |
| CN110236525A (zh) * | 2019-06-27 | 2019-09-17 | 上海数创医疗科技有限公司 | 一种基于迁移学习的室性心动过速心律识别用神经网络 |
| CN110491500A (zh) * | 2019-08-07 | 2019-11-22 | 王满 | 一种基于心脏功能动态监测与分析的身份识别系统及方法 |
| CN110522440A (zh) * | 2019-08-12 | 2019-12-03 | 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 |
| CN110897630A (zh) * | 2019-06-27 | 2020-03-24 | 上海数创医疗科技有限公司 | 一种基于迁移学习的室性心动过速心律识别方法和装置 |
| CN110974203A (zh) * | 2019-12-10 | 2020-04-10 | 电子科技大学 | 一种基于等值排列网络的心率非平衡性分析方法 |
| CN111956208A (zh) * | 2020-08-27 | 2020-11-20 | 电子科技大学 | 一种基于超轻量级卷积神经网络的ecg信号分类方法 |
| CN112052750A (zh) * | 2020-08-20 | 2020-12-08 | 南京信息工程大学 | 基于类不平衡传感数据与深度模型的心律失常分类方法 |
| CN112784884A (zh) * | 2021-01-07 | 2021-05-11 | 重庆兆琨智医科技有限公司 | 一种医学图像分类方法、系统、介质及电子终端 |
| CN112883803A (zh) * | 2021-01-20 | 2021-06-01 | 武汉中旗生物医疗电子有限公司 | 一种基于深度学习的心电信号分类方法、装置及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107657318A (zh) * | 2017-11-13 | 2018-02-02 | 成都蓝景信息技术有限公司 | 一种基于深度学习模型的心电图分类方法 |
| CN108932452A (zh) * | 2017-05-22 | 2018-12-04 | 中国科学院半导体研究所 | 基于多尺度卷积神经网络的心律失常心拍分类方法 |
| CN108968941A (zh) * | 2018-05-25 | 2018-12-11 | 深圳市太空科技南方研究院 | 一种心律失常检测方法、装置及终端 |
-
2019
- 2019-01-09 CN CN201910021402.2A patent/CN109645983A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108932452A (zh) * | 2017-05-22 | 2018-12-04 | 中国科学院半导体研究所 | 基于多尺度卷积神经网络的心律失常心拍分类方法 |
| CN107657318A (zh) * | 2017-11-13 | 2018-02-02 | 成都蓝景信息技术有限公司 | 一种基于深度学习模型的心电图分类方法 |
| CN108968941A (zh) * | 2018-05-25 | 2018-12-11 | 深圳市太空科技南方研究院 | 一种心律失常检测方法、装置及终端 |
Non-Patent Citations (2)
| Title |
|---|
| HUI HAN等: "Borderline-SMOTE: A New Over-Sampling Method in Imbalanced Data Sets Learning", 《ADVANCES IN INTELLIGENT COMPUTING》 * |
| YE YUAN等: "A Novel Wavelet-based Model for EEG Epileptic Seizure Detection using Multi-context Learning", 《2017 IEEE INTERNATIONAL CONFERENCE ON BIOINFORMATICS AND BIOMEDICINE(BIBM)》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110141226B (zh) * | 2019-05-29 | 2022-03-15 | 清华大学深圳研究生院 | 自动睡眠分期方法、装置、计算机设备及计算机存储介质 |
| CN110141226A (zh) * | 2019-05-29 | 2019-08-20 | 清华大学深圳研究生院 | 自动睡眠分期方法、装置、计算机设备及计算机存储介质 |
| CN110236525A (zh) * | 2019-06-27 | 2019-09-17 | 上海数创医疗科技有限公司 | 一种基于迁移学习的室性心动过速心律识别用神经网络 |
| CN110897630A (zh) * | 2019-06-27 | 2020-03-24 | 上海数创医疗科技有限公司 | 一种基于迁移学习的室性心动过速心律识别方法和装置 |
| CN110491500A (zh) * | 2019-08-07 | 2019-11-22 | 王满 | 一种基于心脏功能动态监测与分析的身份识别系统及方法 |
| CN110522440A (zh) * | 2019-08-12 | 2019-12-03 | 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 |
| CN110974203A (zh) * | 2019-12-10 | 2020-04-10 | 电子科技大学 | 一种基于等值排列网络的心率非平衡性分析方法 |
| CN112052750A (zh) * | 2020-08-20 | 2020-12-08 | 南京信息工程大学 | 基于类不平衡传感数据与深度模型的心律失常分类方法 |
| CN111956208A (zh) * | 2020-08-27 | 2020-11-20 | 电子科技大学 | 一种基于超轻量级卷积神经网络的ecg信号分类方法 |
| CN111956208B (zh) * | 2020-08-27 | 2021-04-20 | 电子科技大学 | 一种基于超轻量级卷积神经网络的ecg信号分类方法 |
| CN112784884A (zh) * | 2021-01-07 | 2021-05-11 | 重庆兆琨智医科技有限公司 | 一种医学图像分类方法、系统、介质及电子终端 |
| CN112883803A (zh) * | 2021-01-20 | 2021-06-01 | 武汉中旗生物医疗电子有限公司 | 一种基于深度学习的心电信号分类方法、装置及存储介质 |
| CN112883803B (zh) * | 2021-01-20 | 2023-09-01 | 武汉中旗生物医疗电子有限公司 | 一种基于深度学习的心电信号分类方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109645983A (zh) | 一种基于多模块神经网络的不平衡心拍分类方法 | |
| CN108714026B (zh) | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 | |
| CN110840402B (zh) | 一种基于机器学习的房颤信号识别方法及系统 | |
| CN110495877B (zh) | 一种基于ecg的多尺度特征提取方法及装置 | |
| CN108647614A (zh) | 心电图心拍分类识别方法及系统 | |
| CN111481192B (zh) | 一种基于改进U-Net的心电信号R波检测方法 | |
| CN111329445B (zh) | 基于组卷积残差网络和长短期记忆网络的房颤识别方法 | |
| CN109948396B (zh) | 一种心拍分类方法、心拍分类装置及电子设备 | |
| CN108567418A (zh) | 一种基于PCANet的脉搏信号亚健康检测方法及检测系统 | |
| CN111202512A (zh) | 一种基于小波变换与dcnn的心电图分类方法和装置 | |
| CN114648048B (zh) | 基于变分自编码和PixelCNN模型的心电信号降噪方法 | |
| CN110638430A (zh) | 多任务级联神经网络ecg信号心律失常疾病分类模型和方法 | |
| CN115530788A (zh) | 基于自注意力机制的心律失常分类方法 | |
| CN110558975A (zh) | 一种基于lrf-elm和blstm的心电信号分类方法及系统 | |
| Peláez et al. | Ischemia classification via ECG using MLP neural networks | |
| US20230225663A1 (en) | Method for predicting multi-type electrocardiogram heart rhythms based on graph convolution | |
| CN116030829A (zh) | 一种基于深度残差神经网络的心音分类方法 | |
| CN115221926A (zh) | 基于cnn-gru网络模型的心拍信号分类方法 | |
| CN110327033B (zh) | 一种基于深度神经网络的心肌梗死心电图的筛查方法 | |
| Jasim | ECG signal classification based on deep learning by using convolutional neural network (CNN) | |
| WO2021031155A1 (zh) | 一种基于ecg的多尺度特征提取方法及装置 | |
| Sangeetha et al. | A CNN based similarity learning for cardiac arrhythmia prediction | |
| Khandait et al. | ECG signal processing using classifier to analyses cardiovascular disease | |
| Odugoudar et al. | Ecg classification system for arrhythmia detection using convolutional neural networks | |
| Roy et al. | Identification and classification of human mental stress using physiological data: A low-power hybrid approach |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190419 |
|
| WD01 | Invention patent application deemed withdrawn after publication |