CN110507314A - 一种心电导联扩展方法及装置 - Google Patents

Abstract

本发明涉及心电信号处理技术领域，公开了一种心电导联扩展方法，包括以下步骤：采集各导联上的心电信号建立样本数据集；以一部分导联一采样点的样本数据作为输出，以另一部分导联的多个采样点的样本数据作为输入，对神经网络进行训练，得到导联扩展模型；基于所述导联扩展模型，将已连接导联的部分心电信号扩展为全导联的完整心电信号。本发明具有心电信号预测精度高的技术效果。

Description

一种心电导联扩展方法及装置

技术领域

本发明涉及心电信号处理技术领域，具体涉及一种心电导联扩展方法及装置。

背景技术

传统心电采集方案为十二/十五/十八导联心电图分析设备，包括与肢体相连的肢体导联和与胸部相连的胸导联，通过多导联同步显示和记录心电波形，提供给医生做诊断参考。各导联电极通过各自的连接线与设备相连，操作时，医生需要寻找各个电极，使得电极按照顺序设置在病人身上，这会增加操作时间，同时电极之间的连接线容易发生缠绕，影响正常测量。特别是在新生儿或儿童的指定部位上应用时，导联电极片常常无法准确贴在新生儿或儿童的指定部位上，给心电信号的获取带来困难。为解决这一问题，有一类方案使用一个主采集模块，用于采集主要信号，当需要采集胸导信号时，再把胸导采集模块加入进行采集，但此类方案实质上通过减少采集心电信号的通道数来解决采集导联线过多，无法连接所有导联线的问题。因为缺少了记录的导联，所以此类方案是以减少诊断参考导联为代价实现的，可能导致诊断不全。还有一类方案是仅连接部分导联，根据已连接导联的心电信号推测出未连接导联的心电信号，从而实现心电导联的推测扩展，但此类推测的精度均不高。

发明内容

本发明的目的在于克服上述技术不足，提供一种心电导联扩展方法及装置，解决现有技术中心电导联扩展精度低的技术问题。

为达到上述技术目的，本发明的技术方案提供一种心电导联扩展方法，包括以下步骤：

采集各导联上的心电信号建立样本数据集；

以一部分导联在一个采样点处的样本数据作为输出，以另一部分导联在多个采样点处的样本数据作为输入，对神经网络进行训练，得到导联扩展模型；

基于所述导联扩展模型，根据已连接导联的已知心电信号预测未连接导联的未知心电信号，得到全导联的完整心电信号。

本发明还提供一种心电导联扩展装置，包括存储器以及处理器，所述存储器上存储有计算机程序，所述计算机程序被处理器执行时，实现所述心电导联扩展方法。

本发明还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现所述心电导联扩展方法。

与现有技术相比，本发明的有益效果包括：本发明在建立导联扩展模型时，不仅针对单个采样点的心电信号，而且结合了单个采样点前后若干采样点的心电信号，建立多个采样点的部分导联心电信号到单个采样点的另一部分导联心电信号之间的映射关系。从而使得未知导联的心电信号可根据已知导联的多个采样点的心电信号得知，由于未知导联的心电信号的预测结合了已知导联的多个采样点的心电信号，从而使得预测精度更高。

附图说明

图1是本发明提供的心电导联扩展方法一实施方式的流程图；

图2是本发明提供的卷积神经网络一实施方式的结构示意图；

图3是本发明提供的huber loss损失函数与其他损失函数的效果对比图；

图4是采用本发明提供的心电导联扩展方法一实施方式进行扩展的扩展结果图。

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。

实施例1

如图1所示，本发明的实施例1提供了心电导联扩展方法，包括以下步骤：

S1、采集各导联上的心电信号建立样本数据集；

S2、以一部分导联在一个采样点处的样本数据作为输出，以另一部分导联在多个采样点处的样本数据作为输入，对神经网络进行训练，得到导联扩展模型；

S3、基于所述导联扩展模型，根据已连接导联的已知心电信号预测未连接导联的未知心电信号，得到全导联的完整心电信号。

本实施例在建立导联扩展模型时，不是针对单个采样点的心电信号到单个采样点的心电信号的预测，而且结合了单个采样点前后若干采样点的处的心电信号，对单个采样点未知导联的心电信号进行预测，基于神经网络建立了多个采样点到单个采样点的映射关系，从而得到导联扩展模型。将已连接导联的多个采样点的已知心电信号输入导联扩展模型，即可得到未连接导联的未知心电信号预测值，从而复原出全导联的完整心电信号。由于未知导联的心电信号预测结合了已知导联的多个采样点的心电信号，从而使得预测精度更高。未知导联即未连接导联，已知导联即已连接导联。

本发明通过导联扩展模型复原出未连接的导联，使得最终输出仍然是全导联波形。同时，联合使用了当前时刻前后若干采样点的已知导联心电信号，来推测未知导联心电信号，使得预测精度大大提高。

优选的，所述神经网络为卷积神经网络。

本实施例选用卷积神经网络进行训练，相对比于全连接网络，例如BP神经网络，卷积神经网络具有共享权重的特征，这种特征使得卷积神经网络的连接数量和计算量大大降低，从而提高了运算速度，进一步提高了导联扩展模型的精度。

同时，本实施例对未知导联的推导时联合使用当前时刻前后若干采样点的已知导联信号，在此基础之上，应用卷积神经网络进行训练，卷积神经网络的输入层可以实现多维数据的处理，在进行未知导联的预测复原时，卷积神经网络会联合当前采样点及前后多个采样点进行综合考虑，增加预测未知导联的全局修正能力，从而可以挖掘出未知导联的心电信号与已知导联的若干采样点的心电信号之间的映射关系，提高导联扩展模型的精度，因此非常适合用于本实施例中。

优选的，以一部分导联在一个采样点处的样本数据作为输出，以另一部分导联在多个采样点的样本数据作为输入，具体为：

对十二导联标准心电信号进行训练，以除III导联、aVR导联、aVL导联、aVF导联、V2导联、V4导联以及V6导联外的其他导联在第一采样点处的样本数据作为输入，以V2导联、V4导联以及V6导联在第一采样点及其前后多个采样点处的样本数据作为输出。

本实施例以12导联标准心电采集为例进行说明，以V2导联、V4导联、V6导联作为待预测的导联，如图2所示，以除III导联、aVR导联、aVL导联、aVF导联、V2导联、V4导联以及V6导联外的其他导联的采样数据作为输入，III导联、aVR导联、aVL导联、aVF导联的采样数据直接由I导联、II导联计算得到，计算方法采用现有技术实现即可，可采用的计算方法为Einthoven's triangle，本发明不涉及对此的改进，在此不再赘述。其中V1导联连接于第4肋间隙胸骨右缘；V2导联连接于第4肋间隙胸骨左缘；V3导联位于V2导联和V4导联之间；V4导联连接于第5肋间隙左锁骨中线上；V5导联连接于第5肋间隙左腋前线上；V6导联连接于第5肋间隙左腋中线上；I导联正极为左上肢，负极为右上肢；II导联正极为左下肢，负极为右上肢；III导联正极为左下肢，负极为左上肢；aVF导联为加压左上肢肢体导联；aVL导联为加压右下肢肢体导联；aVR导联为加压右上肢肢体导联。

本实施例中输入为1000个采样点，对应时间为1秒，每个采样点有5个导联的数据，即Input(1000*5)；卷积神经网络有三层,每一层均包括卷积Conv和池化Pool两个步骤；第一层卷积核大小为3，核数量为16，步长为2，卷积后得到数据大小为499*16，然后经过核为2的最大池化得到数据大小为249*16；第二层卷积核大小为3，核数量为32，步长为2，卷积后得到数据大小为124*32，然后经过核为2的最大池化得到数据大小为62*32；第三层卷积核大小为3，核数量为64，步长为2，卷积后得到数据大小为30*64，然后经过核为2的最大池化得到数据大小为15*64；最后经过全连接层变为3个在第500个采样点处待预测的导联数据，即Out3。

具体的，以本实施例中具体数据对全连接网络和卷积神经网络的计算量进行对比分析：

卷积池化需要的权重参数数量＝卷积核大小*输入通道数*输出通道数；

卷积池化需要的浮点计算次数＝卷积层输出大小*卷积核大小*输入通道数*输出通道数；

全连接需要的权重参数数量＝输入大小*输出大小；

全连接需要的浮点计算次数＝输入大小*输出大小。

下表是以本实施例所使用的卷积神经网络和同样结构的全连接网络为例，对比两种网络的参数数量和浮点计算次数。

从上表可以看出，全连接网络参数数量为卷积神经网络参数数量的2753倍，全连接网络浮点计算次数为卷积神经网络浮点计算次数的60倍。由此可见，采用卷积神经网络可以大大降低连接数量和计算量。

具体的，以本实施例中具体数据说明，以卷积神经网络为基础，结合对未知导联的推导时联合使用当前时刻前后若干采样点的已知导联信号的优势。从图2中可以看出：网络最后输出的3个通道心电信号是依据1000个采样点的5通道心电信号共同推导出来的。这1000个采样点包含当前时刻前499个采样点、当前时刻的采样点和当前时刻后500个采样点。由于输出导联的预测参考了输入导联前后若干采样时刻的值，使得输出数值更加精准。

应该理解的，本实施例中待预测的导联还可以是其他导联，根据需求具体设定即可，待预测导联的数量也可以是其他数量，卷积神经网络的层数也可以是其他数量，卷积神经网络的结构也可根据需要具体调整，本发明还可应用于15导和18导导联体系的心电信号预测中。本实施例中相关数据以及以上对比分析仅用于解释说明，并不用于限定本发明的保护范围。

优选的，根据huber loss损失函数计算所述导联扩展模型的损失值，如果损失值达到设定阈值则停止训练，并输出当前的导联扩展模型，如果损失值没有达到设定阈值，则继续进行训练。

本实施例选用huber loss损失函数作为评判标准，使导联扩展模型能够更快收敛、更加稳定。

优选的，根据huber loss损失函数计算所述导联扩展模型的损失值，具体为：

其中，H(x)为所述损失函数，f(x)为通过导联扩展模型获取的未连接导联的未知心电信号预测值，y为未连接导联的未知心电信号实际值，δ为设定值。

huber loss损失函数在心电信号重建中应用正常心电信号的幅值范围在±4mv之间,典型值为1mV，医生诊断时更加关注的电压信息有T波幅值、ST段电压等，这些幅值的波动范围更小，集中在0.5mV以内，综合考虑异常心电和预测心电电压与实际心电电压的差值，δ设置为0.5～1.5较为合适，最后结合训练过程中卷积神经网络的收敛速度及验证集的表现，本实施例中确定δ为1.2。本实施例采用huber loss损失函数对导联扩展模型进行评判的具体流程为：第一步判断导联扩展模型获取的未连接导联的心电信号预测值f(x)与未连接导联的心电信号实际值y的偏离是否大于设定值1.2，如果大于，则损失函数H(x)＝1.2*|y-f(x)|-0.72，如果不大于，则损失函数

在进行评判时，huber loss损失函数相比于其他的损失函数，表现出更好的收敛速度以及更高的稳定性。具体如图3所示，图3中示出了几种不同损失函数的评判对比结果，横轴为预测值f(x)与实际值y的差值，纵轴为损失值loss。Square loss表示平方损失，这种损失函数的斜率会随着距离零点绝对位置的增大而迅速增大，导致在预测值与真实值偏离较多时会受到更为严重的惩罚，很容易引起爆炸梯度，导致训练不稳定，absolute loss表示绝对值损失，这种损失函数对异常值更加稳定，因为它不使用平方，但绝对值损失的缺点是在y-f(x)＝0处不连续可导，因而不容易优化。由huber loss损失函数的表达式可知：当|y-f(x)|小于一个事先设定值δ时，变为平方损失，大于δ时，则变成类似于绝对值损失。huber loss损失函数将平方损失和绝对值损失进行融合，有效地解决了平方损失容易引起爆炸梯度和绝对值损失连续不可导的问题。

图4中示出了采用本实施例提供的心电导联扩展方法进行未连接导联的未知心电信号预测的预测结果图，图4中示出了病例心电数据的预测结果pred和实际结果label的对比图，从图中可以看出，预测结果和实际结果非常接近。

实施例2

本发明的实施例2提供了心电导联扩展装置，包括存储器以及处理器，所述存储器上存储有计算机程序，所述计算机程序被处理器执行时，实现上述实施例提供的心电导联扩展方法。

具体的：心电导联扩展方法包括以下步骤：

采集各导联上的心电信号建立样本数据集；

以一部分导联一采样点的样本数据作为输出，以另一部分导联多个采样点的样本数据作为输入，对神经网络进行训练，得到导联扩展模型；

基于所述导联扩展模型，将已连接导联的部分心电信号扩展为全导联的完整心电信号。

本实施例提供的心电导联扩展装置，用于实现心电导联扩展方法，因此，心电导联扩展方法所具备的技术效果，心电导联扩展装置同样具备，在此不再赘述。

实施例3

本发明的实施例3提供了计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-7任一所述的心电导联扩展方法。

具体的：心电导联扩展方法包括以下步骤：

采集各导联上的心电信号建立样本数据集；

以一部分导联一采样点的样本数据作为输出，以另一部分导联多个采样点的样本数据作为输入，对神经网络进行训练，得到导联扩展模型；

基于所述导联扩展模型，将已连接导联的部分心电信号扩展为全导联的完整心电信号。

本实施例提供的计算机存储介质，用于实现心电导联扩展方法，因此，心电导联扩展方法所具备的技术效果，计算机存储介质同样具备，在此不再赘述。

以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。

Claims (7)

1.一种心电导联扩展方法，其特征在于，包括以下步骤：

采集各导联上的心电信号建立样本数据集；

以一部分导联在一个采样点处的样本数据作为输出，以另一部分导联在多个采样点处的样本数据作为输入，对神经网络进行训练，得到导联扩展模型；

基于所述导联扩展模型，根据已连接导联的已知心电信号预测未连接导联的未知心电信号，得到全导联的完整心电信号。

2.根据权利要求1所述的心电导联扩展方法，其特征在于，以一部分导联在一个采样点处的样本数据作为输出，以另一部分导联在多个采样点的样本数据作为输入，具体为：

对十二导联标准心电信号进行训练，以除III导联、aVR导联、aVL导联、aVF导联、V2导联、V4导联以及V6导联外的其他导联在第一采样点处的样本数据作为输入，以V2导联、V4导联以及V6导联在第一采样点及其前后多个采样点处的样本数据作为输出。

3.根据权利要求1所述的心电导联扩展方法，其特征在于，所述神经网络为卷积神经网络。

4.根据权利要求1所述的心电导联扩展方法，其特征在于，对神经网络进行训练还包括，根据huber loss损失函数计算所述导联扩展模型的损失值，如果损失值达到设定阈值则停止训练，并输出当前的导联扩展模型，如果损失值没有达到设定阈值，则继续进行训练。

5.根据权利要求4所述的心电导联扩展方法，其特征在于，根据huber loss损失函数计算所述导联扩展模型的损失值，具体为：

其中，H(x)为所述损失函数，f(x)为通过导联扩展模型获取的未连接导联的未知心电信号预测值，y为未连接导联的未知心电信号实际值，δ为设定值。

6.一种心电导联扩展装置，其特征在于，包括存储器以及处理器，所述存储器上存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-5任一所述的心电导联扩展方法。

7.一种计算机存储介质，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1-5任一所述的心电导联扩展方法。