CN110288028B - 心电检测方法、系统、设备及计算机可读存储介质 - Google Patents
心电检测方法、系统、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110288028B CN110288028B CN201910565445.7A CN201910565445A CN110288028B CN 110288028 B CN110288028 B CN 110288028B CN 201910565445 A CN201910565445 A CN 201910565445A CN 110288028 B CN110288028 B CN 110288028B
- Authority
- CN
- China
- Prior art keywords
- data
- connection layer
- full connection
- neural network
- dimension
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明实施例提供一种心电检测方法、系统、设备及计算机可读存储介质,包括:构建综合分类器模型;获取心电数据中的多个特征;将所述多个特征输入所述综合分类器模型,以使所述综合分类器模型对所述多个特征进行至少一次数据维度的转换,并对所述心电数据进行分类。本发明实施例对于心电数据的特征具有更强的分类能力,以及对于心电数据中的正常类型与各类患病类型都具有很好的检测效果,不会因为某类患病类型的心电数据样本量较少而影响其检测与分类的准确率。
Description
技术领域
本发明实施例涉及人工智能技术领域,尤其涉及一种心电检测方法、系统、设备及计算机可读存储介质。
背景技术
近年来,机器学习技术尤其是基于深度神经网络的机器学习技术在模式识别领域得到了大量的应用,并取得了许多突破性成果,例如,利用机器学习实现数据挖掘、自然语言处理、认知模拟,利用基于深度神经网络的机器学习实现目标检测、人脸识别、语义分割等。这些成果的取得与机器学习算法与技术的快速提高以及深度神经网络能够学习具有强表达能力的特征息息相关。
但是深度神经网络模型越复杂、越具有强表达能力,越容易牺牲对未来数据的解释能力、越容易专注于解释训练数据,这种情况下会产生过拟合现象。为了避免过拟合现象的发生,需要更多的训练数据,以保证训练的模型在新数据上也能有可以接受的表现。传统的机器学习技术使用人工从数据中提取的低维特征,相比深度神经网络模型,传统的机器学习技术对训练数据量的需求小得多,因而更适用于使用小样本训练模型。
心电数据由于其隐私性和特殊性,难以被大量公开以及进行增广,而且存在各类疾病数据量不平衡的问题。现阶段,有许多进行自动检测心电数据的技术方案,这些方案大致分为两类:
一类是采用传统机器学习方法,通过人工设计的规则提取数据特征,训练模型或直接进行比对。另一类是采用基于深度神经网络的机器学习方法,通过自行采集或获取非公开海量数据集、通过滑动窗口增广数据集等方法,训练模型。
目前,上述两种方案在学术界和医疗工业界均被广泛采用,对于心电数据的检测效果各有所长。传统的机器学习方法使用人工从心电数据中提取的低维特征(包括R-R间隔、HOS、区域最大值、小波变换特征等等)运用单个或多个线性判别、Adaboost、多层感知器(MLP)、支持向量机(SVM)等分类器进行检测,由于受到人工提取的低维特征表达能力不足以及传统机器学习算法性能有限的制约,对于各类疾病的检测效果差距很大。基于深度神经网络的机器学习往往采用较简易的神经网路结构,主要在数据集的预处理方面进行改进,例如:去除噪声、去除基线漂移、平衡各类疾病数据等等,但是由于受心电数据集规模较小、各类疾病数据量不平衡等问题的制约,基于深度神经网络的机器学习对于心电数据的检测难以发挥其具有强表达能力的优势,检测效果相比于传统的机器学习方法不具有优势。
综上所述,现有技术对于心电检测的精度较低。
发明内容
本发明实施例提供一种心电检测方法、系统、设备及计算机可读存储介质,以减小对于各类疾病的检测效果差距,对各类疾病都具有很好的检测效果,以及解决深度神经网络的机器学习对于心电数据的检测难以发挥其具有强表达能力的优势,检测效果相比于传统的机器学习方法不具有优势的问题。
第一方面,本发明实施例提供一种心电检测方法,该方法包括:构建综合分类器模型;获取心电数据中的多个特征;将所述多个特征输入所述综合分类器模型,以使所述综合分类器模型对所述多个特征进行至少一次数据维度的转换,并对所述心电数据进行分类。
第二方面,本发明实施例提供一种心电检测系统,包括:构建模块,用于构建综合分类器模型;获取模块,用于获取心电数据中的多个特征;输入模块,用于将所述多个特征输入所述综合分类器模型,以使所述综合分类器模型对所述多个特征进行至少一次数据维度的转换,并对所述心电数据进行分类。
第三方面,本发明实施例提供一种心电检测设备,包括:存储器;处理器;以及计算机程序;其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现第一方面所述的方法。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行以实现第一方面所述的方法。
本发明实施例提供的心电检测方法、系统、设备及计算机可读存储介质,通过构建综合分类器模型;获取心电数据中的多个特征;将所述多个特征输入所述综合分类器模型,以使所述综合分类器模型对所述多个特征进行至少一次数据维度的转换,并对所述心电数据进行分类。由于综合分类器能够对所述多个特征进行至少一次数据维度的转换,因此,能够很好的检测各类疾病,不会产生对于各类疾病检测效果差异大的问题,对于心电数据中的正常类型与各类患病类型都具有很好的检测分类效果,不会因为某类患病类型的心电数据样本量较少而影响其检测与分类的准确率。
附图说明
图1为现有技术的一种心电检测的原理框图;
图2(a)为现有技术的另一种心电检测的原理框图;
图2(b)为现有技术的又一种心电检测的原理框图;
图3为本发明实施例提供的心电检测方法的流程图;
图4为本发明实施例提供的心电检测方法的流程图;
图5为本发明另一实施例提供的心电检测方法流程图;
图6为本发明另一实施例提供的心电检测方法流程图;
图7为本发明实施例的神经网络的结构图;
图8为本发明实施例的综合分类器模型的结构示意图;
图9为本发明实施例提供的心电检测系统的结构示意图;
图10为本发明实施例提供的心电检测设备的结构示意图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
神经网络:是一种运算模型,由大量的节点(或称神经元)之间相互联接构成,属于机器学习技术的一个分支。
过拟合现象:为了得到一致假设而使假设变得过度严格而产生的现象。一个假设在训练数据上能够获得比其他假设更好的拟合,但是在训练数据外的数据集上却不能很好地拟合数据,此时认为该假设出现了过拟合的现象。
特征:数据的一种表示方法。心电数据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压记录,为了更好地利用计算机做检测,常常将心电数据表示成为一个或多个特征向量,特征向量即称为特征。特征包含了心电数据中一些突出的信息,例如相邻两心拍的间隔、相邻若干心拍的最大振幅等等。
增广:在机器学习中,通过数据增广,能够提高模型的泛化能力,提升模型的整体性能。
样本:机器学习所使用的数据,可分为训练样本与测试样本,两类样本没有重合。根据某类型样本数量的多少可将该类型定义为小样本类型或大样本类型。
图1是现有技术的一种心电检测的原理框图。
如图1所示,使用人工从心电数据中提取的低维特征训练多个二分类支持向量机(SVM)分类器,将它们组合成为多类分类器,运用投票的方式,综合检测正常与各类疾病的心电数据。图1是以检测正常/患A病/患B病/患C病四类的情况为示例进行说明,可以了解的是,由于受到人工提取的低维特征表达能力不足以及传统机器学习算法性能有限的制约,因此,对于各类疾病的检测效果差距很大,对于某些疾病的检测准确率比较低。
图2(a)是现有技术的另一种心电检测的原理框图。
图2(b)是现有技术的又一种心电检测的原理框图。
如图2(a)、图2(b)所示,展示了两种典型的深度神经网络模型,可以看到,基于深度神经网络的机器学习方案使用深度神经网络,运用交叉熵损失函数,使用心电数据直接训练多分类深度神经网络模型。由于受心电数据集规模较小、各类疾病数据量不平衡等问题的制约,基于深度神经网络的机器学习对于心电数据的检测难以发挥其具有强表达能力的优势,检测效果相比于传统的机器学习方法不具有优势。
本发明实施例提供的心电检测方法,旨在解决现有技术的如上技术问题。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明的实施例进行描述。
图3为本发明实施例提供的心电检测方法的流程图。本发明实施例针对现有技术的如上技术问题,提供了心电检测方法,该方法具体步骤如下:
步骤301、构建综合分类器模型。
本实施例中,构建综合分类器模型,包括:基于支持向量机的原理搭建具有多个全连接层的神经网络模型;训练神经网络模型。进一步的,还可以在训练神经网络模型的过程中采用距离损失函数来进行训练,使得神经网络模型的分类结果更准确。
步骤302、获取心电数据中的多个特征。
具体的,获取心电数据中的多个特征:获取心电数据;提取心电数据中的多个特征。提取心电数据中的多个特征是指提取心电数据中突出的信息,例如相邻两心拍的间隔、相邻若干心拍的最大振幅等信息。应当理解的是,此处只是对心电数据的特征的提取进行举例说明,并不代表仅提取这两种特征,本发明还可以提取其他的一些通过现有技术能够提取到的特征。
步骤303、将多个特征输入综合分类器模型,以使综合分类器模型对多个特征进行至少一次数据维度的转换,并对心电数据进行分类。
具体的,本实施例是将提取到的多个特征同时输入综合分类器模型,综合分类器模型的每个全连接层就会对多个特征分别进行一次数据维度的转换。需要说明的是,无论神经网络模型对多个特征做几次数据维度的转换,需保证最后一次转换的结果为二维度,二维度的两个数据分别对应心电数据属于一种类别的概率,概率较大的维度的数据即作为分类结果输出。
图4为本发明实施例提供的心电检测方法的流程图。本发明实施例针对现有技术的如上技术问题,提供了心电检测方法,该方法具体步骤如下:
步骤401、设置至少包括第一全连接层、第二全连接层、第三全连接层和第四全连接层的神经网络模型,第一全连接层、第二全连接层、第三全连接层和第四全连接层依次连接。
其中,经过上述实施例提取的多个特征具有第一数据维度;则在将提取到的多个特征输入神经网络模型后,神经网络模型的每个全连接层的作用具体如下:
第一全连接层用于将每个特征从第一数据维度转换至第二数据维度;可选的,第二数据维度大于第一数据维度,第一全连接层具体是对每个特征做升维操作。
第二全连接层用于将第二数据维度的多个特征合并,得到具有第三数据维度的第一特征向量;可选的,第三数据维度大于第二数据维度,第二全连接层也可以认为是继续进行升维操作。
第三全连接层用于将第一特征向量从第三数据维度转换至第四数据维度,得到具有第四数据维度的第二特征向量;可选的,第四数据维度小于第三数据维度,第三全连接层具体是做降维操作。
第四全连接层用于将第二特征向量从第四数据维度转换至二维的第三特征向量。可选的,第四数据维度小于二维,第四全连接层具体是做降维操作,将第一、第二、第三全连接层处理后的特征降至二维,二维中每维的数据对应两个类别的概率。
步骤402、训练神经网络模型,得到多个二分类器模型。
具体的,通过对神经网络模型进行多次训练,可以得到多个二分类器模型,每个二分类器模型用于对心电数据进行二分类。
步骤403、根据多个二分类器模型得到综合分类器模型。
具体的,可以通过将多个二分类器模型组合或者级联,得到综合分类器模型。
本发明实施例的神经网络模型的全连接层能够把上一层输出的局部特征重新通过权值矩阵赋予不同权重输出到下一层,实现对上一层输出的局部特征的筛选与组合,在神经网络训练过程中,全连接层的权值矩阵会不断更新,实现对数据最理想的分类效果,比传统机器学习中的支持向量机(SVM)对于特征的选取与处理具有更加灵活、更加准确的优势。
需要说明的是,神经网络的结构可以进行微调,例如在4个全连接层的基础上再增加若干个全连接层,仍然具有不错的检测分类效果,但是会造成计算机内存空间和计算能力的浪费,故四个全连接层为较佳选择。
图5为本发明另一实施例提供的心电检测方法流程图。在上述实施例的基础上,本实施例提供的心电检测方法具体包括如下步骤:
步骤501、获取训练数据集。
具体的,训练数据集可以采用已有的公开数据集。
步骤502、提取获取的训练数据集中每个训练数据的至少一个特征,至少一个特征具有第一数据维度。
步骤503、将每个训练数据的至少一个特征输入第一全连接层,以使第一全连接层将每个特征从第一数据维度转换至第二数据维度,并输出至第二全连接层。
步骤504、第二全连接层将第二数据维度的多个特征合并,得到具有第三数据维度的特征数据。
步骤505、第三全连接层将具有第三数据维度的特征数据从第三数据维度转换至第四数据维度,得到具有第四数据维度的特征数据;
步骤506、第四全连接层将具有第四数据维度的特征数据从第四数据维度转换至二维特征数据,二维特征数据中的两个数据分别对应训练数据属于两种不同类别的概率。
对于步骤502-步骤506的介绍可参见上述实施例的介绍,本发明在此不作重复介绍。
步骤507、将较大概率对应的特征数据作为分类结果。
具体的,分类结果即为神经网络模型的输出结果,代表对输入的心电数据的判别结果。
图6为本发明另一实施例提供的心电检测方法流程图。在上述实施例的基础上,第四全连接层将具有第四数据维度的特征数据从第四数据维度转换至二维特征数据后,本发明实施例的方法还包括:
步骤601、获取两种不同类别分别对应的相同数量的训练数据。
本实施例中,两种不同类别是对应于上一实施例的步骤506判别的心电数据属于的两种不同类别。相同数量的训练数据可以从公共的训练数据集中来获取。需要说明的是,公共的训练数据集中每类数据的数量是不相同的,例如:A类别有3000条数据,B类别有500条数据,在训练迭代时,每一次迭代会随机取出A类别中的64条和B类别中的64条,以保证训练数据的数量在每次迭代过程中是相同的。应当理解的是,64条的训练数据数量在此处仅为举例说明,不对本发明做具体限定。本领域技术人员可以根据实际需求来调整训练数据的数量。
步骤602、将两种不同类别分别对应的相同数量的训练数据分别输入两个神经网络模型。
步骤603、获取两个神经网络模型的第三全连接层输出的具有第四数据维度的特征数据。
步骤602和步骤603可参见前述实施例的介绍,本发明在此不再赘述。
步骤604、根据两个神经网络模型的第三全连接层输出的具有第四数据维度的特征数据,计算两种不同类别之间的距离。
具体的,假设两个神经网络模型的第三全连接层输出的特征向量分别为X1和X2,两种不同类别之间的距离为d,则两种不同类别之间的距离d=|X1-X2|。
步骤605、根据两种不同类别之间的距离进行反向传播,以使得距离最大化。
本发明实施例通过训练数据进行前向传播,并将计算得到的两种不同类别之间的距离作用于反向传播,从而拉大两类数据之间的距离,使得神经网络模型对于心电数据的识别更加准确。
可选的,根据两种不同类别之间的距离进行反向传播,以使得距离最大化,包括:对距离进行归一化处理;将归一化处理后的距离的倒数作为距离损失函数;将距离损失函数作用于反向传播。
图7是本发明实施例的神经网络模型的结构图。
下面通过一个完整的示例对如图5和图6所示实施例进行完整说明。
如图7所示,本发明实施例的神经网络模型的第一个全连接层首先将输入的每一种特征(共有n种特征)进行升维操作,将每种特征都上升到128维后,将它们合并成为128*n维的特征向量;第二个全连接层将128*n维的特征向量再次进行升维操作,将其上升到3072维;第三个全连接层将3072维的特征向量进行降维操作,将其下降到128维;第四个全连接层将128维的特征向量再次进行降维操作,将其下降到2维,这2个数字分别为神经网络将输入的特征判别为两类的概率,较大概率对应的类别即为神经网络的分类结果。
进一步的,在训练神经网络时,从2维的2个数字对应的两种类别中随机选取相同数量的样本分别进行前向传播并利用第三个全连接层输出的128维特征向量X1和X2和公式d=|X1-X2|计算两类样本的距离d,将归一化处理的距离的倒数定义为距离损失函数(distance loss function)作用于反向传播。
可选的,根据多个二分类器模型得到综合分类器模型,包括根据多个二分类器模型的分类结果之间的关系,将多个二分类器模型组合和/或级联,得到综合分类器模型。
可选的,将多个特征输入综合分类器模型,以使综合分类器模型对多个特征进行至少一次数据维度的转换,并对心电数据进行分类,包括:将多个特征输入综合分类器模型,以使综合分类器模型对心电数据进行以下至少一种分类:正常与患病的分类、正常与患某种疾病的分类、患某种疾病与患另一种疾病的分类。
图8是本发明实施例的综合分类器模型的结构示意图。
如图8所示,是将通过上述实施例得到的多个二分类模型进行组合构建得到综合分类器模型,并运用投票的方式,综合检测正常与各类疾病的心电数据。下面通过以公开数据集最常用的“正常类型+具有大样本的A、B患病类型+具有小样本的C患病类型”模式为例对综合检测分类器模型的构建进行说明,本实施例中,以患有第一类型疾病、第二类型疾病和第三类型疾病为例进行说明,例如通过上述实施例的方法步骤训练神经网络模型得到五个二分类器,即第一二分类器、第二二分类器、第三二分类器、第四二分类器和第五二分类器。其中,第一二分类器用于识别心电数据分别属于排除正常类型疾病的概率和属于排除第一类型疾病、第二类型疾病的概率;第二二分类器用于识别心电数据分别属于正常类型的概率和属于患第三类型疾病的概率;第三二分类器用于识别心电数据分别属于患第一类型疾病和第二类型疾病的概率;第四二分类器用于识别心电数据分别属于患第一类型疾病和第三类型疾病的概率;第五二分类器用于识别心电数据分别属于患第二类型疾病和第三类型疾病的概率。假设第一类型疾病、第二类型疾病和第三类型疾病分别为:具有大样本的A病、具有大样本的B病和具有小样本的C病,则上述五个二分类器分别为:第一二分类器用于识别心电数据分别属于排除正常类型疾病的概率和属于排除患具有大样本的A、B两种病的概率;第二二分类器用于识别心电数据分别属于正常类型的概率和属于患具有小样本的C病的概率;第三二分类器用于识别心电数据分别属于患具有大样本的A病和具有大样本的B病的概率;第四二分类器用于识别心电数据分别属于患具有大样本的A病和具有小样本的C病的概率;第五二分类器用于识别心电数据分别属于患具有大样本的B病和具有小样本的C病的概率。其中,具有大样本的A、B两种患病类型是指A、B两种患病类型对应的样本数量较多,具有小样本的C患病类型是指C类型的疾病对应的样本数量较少。
具体的,综合分类器模型的第一二分类器首先对输入的样本的特征进行二分类,即第一类为排除大样本患病类型,第二类为排除正常类型;然后对第一类继续进行二分类区分出正常类型与患小样本C病类型,对第二类中的三种患病类型进行二分类并投票区分出患大样本A病类型、患大样本B病类型与患小样本C病类型。
其中,对第二类中的三种患病类型进行二分类并投票区分出患大样本A病类型、患大样本B病类型与患小样本C病类型,具体可以是:例如第三分类器的分类结果为A患病类型,第四分类器的分类结果为B患病类型,第五分类器的分类结果为A患病类型,则通过投票器认为A患病类型为最终的分类结果。再例如,投票器通过统计第三分类器、第四分类器和第五分类器的二分类结果中分别对于A患病类型、B患病类型、C患病类型的分类概率值,将概率值最大的患病类型作为最终的分类结果。例如,累加第三、第四二分类器对于A患病类型的识别概率为0.1,累加第三、第五二分类器对于B患病类型的识别概率为0.2,累加第四、第五二分类器对于C患病类型的识别概率为0.4,则投票器最终会将票投给C患病类型,即综合分类器的输出结果为C患病类型。应当理解的是,本发明实施例的综合分类器模型的结构,例如二分类器的数量仅为示例说明,本领域技术人员可以根据实际使用过程中对于检测结果分类的需求对综合分类器模型的结构,例如二分类器的数量进行相应调整。
图9为本发明实施例提供的心电检测系统的结构示意图。本发明实施例提供的心电检测系统可以执行心电检测方法实施例提供的处理流程,如图9所示,心电检测系统90包括:构建模块91、获取模块92和输入模块93;其中,构建模块91,用于构建综合分类器模型;获取模块92,用于获取心电数据中的多个特征;输入模块93,用于将多个特征输入综合分类器模型,以使综合分类器模型对多个特征进行至少一次数据维度的转换,并对心电数据进行分类。
可选的,构建模块91在构建综合分类器模型时,具体用于:设置至少包括第一全连接层、第二全连接层、第三全连接层和第四全连接层的神经网络模型,第一全连接层、第二全连接层、第三全连接层和第四全连接层依次连接;训练神经网络模型,得到多个二分类器模型;根据多个二分类器模型得到综合分类器模型。
可选的,构建模块91在训练神经网络模型,得到多个二分类器模型时,具体用于:提取获取的训练数据集中每个训练数据的至少一个特征,至少一个特征具有第一数据维度;将每个训练数据的至少一个特征输入第一全连接层,以使第一全连接层将每个特征从第一数据维度转换至第二数据维度,并输出至第二全连接层;第二全连接层将第二数据维度的多个特征合并,得到具有第三数据维度的特征数据;第三全连接层将具有第三数据维度的特征数据从第三数据维度转换至第四数据维度,得到具有第四数据维度的特征数据;第四全连接层将具有第四数据维度的特征数据从第四数据维度转换至二维特征数据,二维特征数据中的两个数据分别对应训练数据属于两种不同类别的概率;将大概率对应的特征数据作为分类结果。
可选的,本发明实施例的系统90还包括:计算模块94、反向传播模块95;
获取模块92,还用于在第四全连接层将具有第四数据维度的特征数据从第四数据维度转换至二维特征数据后,获取两种不同类别分别对应的相同数量的训练数据;
输入模块93,还用于将两种不同类别分别对应的相同数量的训练数据分别输入两个神经网络模型;
获取模块92,还用于获取两个神经网络模型的第三全连接层输出的具有第四数据维度的特征数据;
计算模块94,用于根据两个神经网络模型的第三全连接层输出的具有第四数据维度的特征数据,计算两种不同类别之间的距离;
反向传播模块95,用于根据两种不同类别之间的距离进行反向传播,以使得距离最大化。
可选的,反向传播模块95根据两种不同类别之间的距离进行反向传播,以使得距离最大化时,具体用于:对距离进行归一化处理;将归一化处理后的距离的倒数作为距离损失函数;将距离损失函数作用于反向传播。
可选的,构建模块91根据多个二分类器模型得到综合分类器模型时,具体用于:根据多个二分类器模型的分类结果之间的关系,将多个二分类器模型组合和/或级联,得到综合分类器模型。
可选的,将多个特征输入综合分类器模型,以使综合分类器模型对多个特征进行至少一次数据维度的转换,并对心电数据进行分类,包括:
将多个特征输入综合分类器模型,以使综合分类器模型对心电数据进行以下至少一种分类:正常与患病的分类、正常与患某种疾病的分类、患某种疾病与患另一种疾病的分类。
图9所示实施例的心电检测系统可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图10为本发明实施例提供的心电检测设备的结构示意图。本发明实施例提供的心电检测设备可以执行心电检测方法实施例提供的处理流程,如图10所示,心电检测设备100包括:存储器101、处理器102、计算机程序和通讯接口103;其中,计算机程序存储在存储器101中,并被配置为由处理器102执行上述方法实施例的技术方案。
图10所示实施例的心电检测设备可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
另外,本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行以实现上述实施例的心电检测方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种心电检测方法,其特征在于,包括:
构建综合分类器模型;
获取心电数据中的多个特征;
将所述多个特征输入所述综合分类器模型,以使所述综合分类器模型对所述多个特征进行至少一次数据维度的转换,并对所述心电数据进行分类;
所述构建综合分类器模型,包括:
设置至少包括第一全连接层、第二全连接层、第三全连接层和第四全连接层的神经网络模型,所述第一全连接层、所述第二全连接层、所述第三全连接层和所述第四全连接层依次连接;
训练所述神经网络模型,得到多个二分类器模型;
根据所述多个二分类器模型得到所述综合分类器模型;
所述训练所述神经网络模型,包括:
在所述第四全连接层将具有第四数据维度的特征数据从所述第四数据维度转换至二维特征数据后,将两种不同类别分别对应的相同数量的训练数据分别输入两个所述神经网络模型进行前向传播,获取两个所述神经网络模型的第三全连接层输出的具有第四数据维度的特征数据;所述第四数据维度小于二维;所述二维特征数据中的两个数据分别对应所述训练数据属于两种不同类别的概率。
2.根据权利要求1所述的方法,其特征在于,在所述第四全连接层将具有第四数据维度的特征数据从所述第四数据维度转换至二维特征数据之前,包括:
提取获取的训练数据集中每个训练数据的至少一个特征,所述至少一个特征具有第一数据维度;
将所述每个训练数据的至少一个特征输入所述第一全连接层,以使所述第一全连接层将每个特征从所述第一数据维度转换至第二数据维度,并输出至第二全连接层;
所述第二全连接层将所述第二数据维度的所述多个特征合并,得到具有第三数据维度的特征数据;
所述第三全连接层将所述具有第三数据维度的特征数据从所述第三数据维度转换至第四数据维度,得到具有第四数据维度的特征数据;
在所述第四全连接层将所述具有第四数据维度的特征数据从所述第四数据维度转换至二维特征数据后,所述方法还包括:
将大概率对应的特征数据作为分类结果。
3.根据权利要求2所述的方法,其特征在于,所述将两种不同类别分别对应的相同数量的训练数据分别输入两个所述神经网络模型进行前向传播,获取两个所述神经网络模型的第三全连接层输出的具有第四数据维度的特征数据之前,所述方法还包括:
获取所述两种不同类别分别对应的相同数量的训练数据;
在所述将两种不同类别分别对应的相同数量的训练数据分别输入两个所述神经网络模型进行前向传播,获取两个所述神经网络模型的第三全连接层输出的具有第四数据维度的特征数据后,所述方法还包括:
根据两个所述神经网络模型的第三全连接层输出的具有第四数据维度的特征数据,计算两种不同类别之间的距离;
根据所述两种不同类别之间的距离进行反向传播,以使得所述距离最大化。
4.根据权利要求3所述的方法,其特征在于,所述根据两种不同类别之间的距离进行反向传播,以使得所述距离最大化,包括:
对所述距离进行归一化处理;
将归一化处理后的所述距离的倒数作为距离损失函数;
将所述距离损失函数作用于反向传播。
5.根据权利要求1所述的方法,其特征在于,所述根据所述多个二分类器模型得到所述综合分类器模型,包括:
根据所述多个二分类器模型的分类结果之间的关系,将所述多个二分类器模型组合和/或级联,得到所述综合分类器模型。
6.根据权利要求1所述的方法,其特征在于,将所述多个特征输入所述综合分类器模型,以使所述综合分类器模型对所述多个特征进行至少一次数据维度的转换,并对所述心电数据进行分类,包括:
将所述多个特征输入所述综合分类器模型,以使所述综合分类器模型对所述心电数据进行以下至少一种分类:
正常与患病的分类、正常与患某种疾病的分类、患某种疾病与患另一种疾病的分类。
7.一种心电检测系统,其特征在于,包括:
构建模块,用于构建综合分类器模型;
获取模块,用于获取心电数据中的多个特征;
输入模块,用于将所述多个特征输入所述综合分类器模型,以使所述综合分类器模型对所述多个特征进行至少一次数据维度的转换,并对所述心电数据进行分类;
所述构建模块在构建所述综合分类器模型时,具体用于:
设置至少包括第一全连接层、第二全连接层、第三全连接层和第四全连接层的神经网络模型,第一全连接层、第二全连接层、第三全连接层和第四全连接层依次连接;
训练神经网络模型,得到多个二分类器模型;
根据多个二分类器模型得到综合分类器模型;
所述构建模块在训练所述神经网络模型时,具体用于:
在所述第四全连接层将具有第四数据维度的特征数据从所述第四数据维度转换至二维特征数据后,将两种不同类别分别对应的相同数量的训练数据分别输入两个所述神经网络模型进行前向传播,获取两个所述神经网络模型的第三全连接层输出的具有第四数据维度的特征数据;所述第四数据维度小于二维;所述二维特征数据中的两个数据分别对应所述训练数据属于两种不同类别的概率。
8.一种心电检测设备,其特征在于,包括:
存储器;
处理器;以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如权利要求1-6中任一所述的方法。
9.一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,所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910565445.7A CN110288028B (zh) | 2019-06-27 | 2019-06-27 | 心电检测方法、系统、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910565445.7A CN110288028B (zh) | 2019-06-27 | 2019-06-27 | 心电检测方法、系统、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110288028A CN110288028A (zh) | 2019-09-27 |
CN110288028B true CN110288028B (zh) | 2021-11-02 |
Family
ID=68007658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910565445.7A Active CN110288028B (zh) | 2019-06-27 | 2019-06-27 | 心电检测方法、系统、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110288028B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110731773B (zh) * | 2019-10-28 | 2022-10-28 | 浙江工业大学 | 一种基于心电波形图全局与局部深度特征融合的异常心电图筛查方法 |
CN111310578B (zh) * | 2020-01-17 | 2023-05-02 | 上海乐普云智科技股份有限公司 | 一种心搏数据样本分类网络的生成方法和装置 |
CN113052229B (zh) * | 2021-03-22 | 2023-08-29 | 武汉中旗生物医疗电子有限公司 | 一种基于心电数据的心脏病症分类方法及装置 |
CN113361596B (zh) * | 2021-06-04 | 2022-10-04 | 安徽农业大学 | 一种传感器数据增广方法、系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108814585A (zh) * | 2018-05-03 | 2018-11-16 | 深圳竹信科技有限公司 | 心电信号处理方法、装置和计算机可读存储介质 |
CN109480827A (zh) * | 2018-12-18 | 2019-03-19 | 武汉中旗生物医疗电子有限公司 | 向量心电图分类方法及装置 |
CN109620205A (zh) * | 2018-12-26 | 2019-04-16 | 上海联影智能医疗科技有限公司 | 心电数据分类方法、装置、计算机设备和存储介质 |
CN109685110A (zh) * | 2018-11-28 | 2019-04-26 | 北京陌上花科技有限公司 | 图像分类网络的训练方法、图像分类方法及装置、服务器 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10251576B2 (en) * | 2013-09-25 | 2019-04-09 | Bardy Diagnostics, Inc. | System and method for ECG data classification for use in facilitating diagnosis of cardiac rhythm disorders with the aid of a digital computer |
KR20180057409A (ko) * | 2016-11-22 | 2018-05-30 | 박진수 | 오디오 신호 기반의 영상 분류 방법 및 영상 분류 장치 |
CN107169518A (zh) * | 2017-05-18 | 2017-09-15 | 北京京东金融科技控股有限公司 | 数据分类方法、装置、电子装置及计算机可读介质 |
US10546232B2 (en) * | 2017-07-04 | 2020-01-28 | Microsoft Technology Licensing, Llc | Image recognition with promotion of underrepresented classes |
CN109063552B (zh) * | 2018-06-22 | 2021-03-30 | 深圳大学 | 一种多导联心电信号分类方法和系统 |
CN109344910A (zh) * | 2018-10-30 | 2019-02-15 | 成都四方伟业软件股份有限公司 | 数据分类方法及装置 |
CN109480825B (zh) * | 2018-12-13 | 2021-08-06 | 武汉中旗生物医疗电子有限公司 | 心电数据的处理方法及装置 |
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 |
-
2019
- 2019-06-27 CN CN201910565445.7A patent/CN110288028B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108814585A (zh) * | 2018-05-03 | 2018-11-16 | 深圳竹信科技有限公司 | 心电信号处理方法、装置和计算机可读存储介质 |
CN109685110A (zh) * | 2018-11-28 | 2019-04-26 | 北京陌上花科技有限公司 | 图像分类网络的训练方法、图像分类方法及装置、服务器 |
CN109480827A (zh) * | 2018-12-18 | 2019-03-19 | 武汉中旗生物医疗电子有限公司 | 向量心电图分类方法及装置 |
CN109620205A (zh) * | 2018-12-26 | 2019-04-16 | 上海联影智能医疗科技有限公司 | 心电数据分类方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110288028A (zh) | 2019-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110288028B (zh) | 心电检测方法、系统、设备及计算机可读存储介质 | |
Li et al. | Toward improving ECG biometric identification using cascaded convolutional neural networks | |
Wu et al. | A study on arrhythmia via ECG signal classification using the convolutional neural network | |
Marinho et al. | A novel electrocardiogram feature extraction approach for cardiac arrhythmia classification | |
Jun et al. | ECG arrhythmia classification using a 2-D convolutional neural network | |
Sahu et al. | FINE_DENSEIGANET: Automatic medical image classification in chest CT scan using Hybrid Deep Learning Framework | |
Wang et al. | Arrhythmia classification algorithm based on multi-head self-attention mechanism | |
CN111160139B (zh) | 心电信号的处理方法、装置及终端设备 | |
CN109165556A (zh) | 一种基于grnn身份识别方法 | |
CN105989266B (zh) | 基于心电信号的认证方法、装置及系统 | |
Patra et al. | Integration of FCM, PCA and neural networks for classification of ECG arrhythmias | |
Bhanumathi et al. | CNN based training and classification of MRI brain images | |
CN107239684A (zh) | 一种用于ecg身份识别的特征学习方法和系统 | |
Sai et al. | Cognitive assistant DeepNet model for detection of cardiac arrhythmia | |
Zhang et al. | [Retracted] An ECG Heartbeat Classification Method Based on Deep Convolutional Neural Network | |
CN110558971A (zh) | 基于单目标及多目标的生成对抗网络心电图异常检测方法 | |
CN114330572A (zh) | 基于对比学习的异常检测方法、系统及计算机存储介质 | |
CN112348090A (zh) | 一种基于近邻自编码器的近邻异常检测系统 | |
Zheng et al. | Resnet-based model for cancer detection | |
Yao et al. | Interpretation of electrocardiogram heartbeat by CNN and GRU | |
CN115530788A (zh) | 基于自注意力机制的心律失常分类方法 | |
Bandyopadhyay et al. | Machine learning and deep learning integration for skin diseases prediction | |
CN109033990B (zh) | 基于类内类间距离的cnn模型心拍分类方法 | |
Chourasia et al. | ECG heartbeat classification using CNN | |
Hassan et al. | A hybrid data mining approach for knowledge extraction and classification in medical databases |
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 |