CN110974214A - 一种基于深度学习的自动心电图分类方法、系统及设备 - Google Patents

Abstract

本发明公开了一种基于深度学习的自动心电图分类方法、系统及设备，通过将获取的经标注的原始心电图数据按照预设比例分为训练集和验证集；构建具有残差连接的卷积神经网络，代入训练集和验证集进行训练和验证，得到训练好的卷积神经网络；利用经标注的测试集对训练好的卷积神经网络进行评估，结合评估指标得到测试通过的自动心电图分类模型。将待测心电图输入自动心电图分类模型，得到心电图分类结果。本发明提供的基于深度学习的自动心电图分类方法可以进行全面的特征提取并完成多标签分类的判别任务，全面地提取心电图中的信息，完成分类。

Description

一种基于深度学习的自动心电图分类方法、系统及设备

技术领域

本发明属于心电图分类方法领域，更具体地，涉及一种基于深度学习的自动心电图分类方法、系统及设备。

背景技术

心电图是一种用于检测患者心脏健康状况的基本工具，并且也是医师对于患者疗法进行临床决策的基础。它是一种能够表明包括不同种的心律失常、急性心肌梗塞、和其他离子通道疾病在内的心脏异常的电活动。在心脏与心血管疾病的临床治疗中，医师往往会根据患者的心电图检测结果，作为诊断心血管疾病的第一个有用信息，辅助判断患者的心脏与心血管健康状况与疾病种类，以及预测患者可能的健康风险。

因此，及时准确的心电图分类可以为患者争取到宝贵的治疗时间，减少因误诊或疾病拖延对患者造成的健康风险。考虑到心电图数据的特性，心电图的临床分类通常有两种途径。一种是基于心电图原理的分析，这需要心内科医师熟悉心电图设备的结构原理、患者的既往病史与临床表现、心脏与心血管的生理构造等。由于心血管疾病的高患病率和发病率，有数以百万计的心电图需要被医师解释和分类。但是在一个专业的心内科医师能够独立进行工作和分类之前，必须有大量的教育工作和投入。解释复杂的心电图数据的复杂性与有经验的心内科医师的短缺，心电图的解释和分类被不断地延迟和推后。

另一种则是基于深度神经网络，通过计算机辅助的方式帮助医师做出快速精准的决策与部署。机器学习特别是深度学习的兴起，使后者在心电图分类中占据了越来越关键的位置。然而，利用深度学习模型来做心电图分类也面临着诸多困难首先，许多种疾病数据的缺失限制了计算机可解释的疾病的范围。许多先前的工作都仅仅局限于一些常见的和易于得到的心电图状况例如正常，心房颤动和室性心动过速而忽略了许多其他复杂或罕见的异常情况。其次，心电图数据往往以单导联形式呈现，仅仅支持算法中的较为有限的信息。一些标准的公共数据集例如MIT-BIH和Physionet Computing in Cardiology Challenge2017，仅仅包含以单导联形式呈现的有限的心律失常种类和心跳类型和有限数量的被研究了一遍又一遍的患者而没有加入更多的心电图数据。最后，虽然有种类广泛的人工智能算法范例例如机器学习，增强学习，非监督学习和新出现的深度学习被应用到心电图解释当中，但近期研究的结果仍然是不稳定而多变的。因此，在实现临床应用之前，现有的自动心电图分类技术必须得到进一步地改进和提升。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种基于深度学习的自动心电图分类方法、系统及设备，旨在解决现有的计算机辅助心电图分类系统稳定性差以及只能进行单一标签分类的问题。

为实现上述目的，按照本发明的一方面，提供了一种基于深度学习的自动心电图分类模型的获取方法，包括以下步骤：

(1)将获取的经标注N类数据标签的原始心电图数据按照预设比例分为训练集和验证集。

心脏的电传导系统由专门的细胞组成。它们中的一些专门用于起搏功能，另一些则用于传导通过它们的冲动。心脏电传导系统的主要功能是产生电脉冲并将其以有组织的方式传导至心肌的其余部分。这是一种电化学过程，产生的电能能在进行心电图检查时被电极捕获。原始心电图数据包括N-1种心电图异常以及一个正常的集合，代表了不同的冲动和传导异常，其中冲动部位包括窦房结，心房，房室交界区，心室和人工起搏器，而传导异常则包括左束支传导阻滞和心室传导阻滞。同时，心率被纳入冲动异常中，这虽然使得疾病更复杂，但临床应用性也变得很高。

由此建立了最全面和大量的包含丰富的心电图异常类型的心电图数据集，为训练数据集和测试数据集提供了非常全面和详尽的信息。数据由具有资质的心内科医师进行解释和标注，然后再由高级的或经过训练的并得到委员会认证的心内科医师再次解释和标注，以确保疾病标签的正确性。以随机的方式将测试集分配到每一组的所有成员中，以便不重复地标注测试集。对于其它组则重复上述相同的流程。总之，测试集中的每个记录都会得到一个标注，这个标注由每组三位心内科医师共六个小组的医师组成的委员会达成共识后给出，保证了数据标签的准确性。

(2)构建具有残差连接的卷积神经网络，代入训练集和验证集进行训练和验证，得到训练好的卷积神经网络。

(3)利用经标注N类数据标签的测试集对训练好的卷积神经网络进行评估，结合评估指标得到测试通过的自动心电图分类模型。

优选地，卷积神经网络由卷积层、最大池化层、4个残差块、展平层、2个全连接块和具有N向预测值输出的输出层构成。

其中，卷积层由若干卷积单元组成，每个卷积单元的参数都是通过训练中的优化得到的，卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网络能从低级特征中迭代提取更复杂的特征。也就是说，神经网络深度或者说层数的增加往往会带来更好的性能，当然也会带来梯度消失等负面的问题和效果。池化是卷积神经网络中另一个重要的概念，而其中最大池化是最为常见的。它是将输入的图像划分为若干个矩形区域，对每个子区域输出最大值。这种机制能够有效地原因在于，在发现一个特征之后，池化层会不断地减小数据的空间大小，因此参数的数量和计算量也会下降，这在一定程度上也控制了过拟合。网络层数等增加会带来更好的性能，但是也会造成梯度消失的问题。很深的网络层，由于参数初始化一般更靠近0，这样在训练的过程中更新浅层网络的参数时，很容易随着网络的深入而导致梯度消失，浅层的参数无法更新。通过链式求导会发现，各层权值相乘会得到更加接近于0的数，那么深层网络的参数值也就更加接近于0，也就产生了梯度消失的现象。残差块就是解决这个问题的较好方法。在卷积层之间加上跳跃连接，就是每两层增加一个捷径，构成一个残差块，当出现梯度消失问题时网络会自动调节其深度，即通过跳跃连接构成的恒等变换而跨过中间的两层卷积层，减少实际有效的网络层数以解决梯度消失的问题。

实际上，卷积神经网络使用

中的原始数据作为输入，并以分类或回归的结果

作为输出，即：

其中，

表示K维实数空间，I表示网络的输入，conv表示卷积层，RELU表示所用的RELU激活函数，pool表示池化层，Flatt表示展平层，将矩阵转化为一维向量输出，FCN表示全卷积网络，act表示输出时的激活函数，

表示网络的输出，对应于N种心电图类型的概率分布。

卷积层使用滤波器与输入数据进行离散卷积。从原始数据中计算并定义得到一个权重向量

一个数据向量

以及一个偏差常数b。在卷积过程中，步幅是两个卷积窗口之间的距离，将其定义为参数d。定义I的第i个子向量，即：I⁽ⁱ⁾＝[I^1+(i-1)d，I^{2 +(i-1)d}，...，I^m+(i-1)d]^T

一维卷积的思想是将向量H与原始数据的子向量I⁽ⁱ⁾之间的乘积取为：

其中H^j是向量H的第j个元素，j＝1,2,…,m。在进行卷积的过程中时，设置滤波器的数量(不同的滤波器具有不同的初始向量H)以确定卷积结果的深度。由于每个滤波器和数据之间的卷积会使用共享的权重。权值共享就是说，给定一个输入，用一个卷积核去扫过这个输入，卷积核里面的数就叫权重，输入信号每个位置是被同样的卷积核扫的，所以权重是一样的，也就是共享。权值共享意味着每一个过滤器在遍历整个输入信号的时候，过滤器的参数是固定不变的，因此训练参数的数量和模型的复杂性大大降低。因此提高了计算效率。

网络层数等增加会带来更好的性能，但是也会造成梯度消失的问题。深层的网络层，由于参数初始化一般更靠近0，这样在训练的过程中更新浅层网络的参数时，很容易随着网络的深入而导致梯度消失，浅层的参数无法更新。通过链式求导，各层权值相乘会得到更加接近于0的数，那么深层网络的参数值也就更加接近于0，也就产生了梯度消失的现象。为了防止梯度消失问题，在残差块当中应用残差连接作为恒等映射以跳过中间的卷积层。输入的心电图信号首先通过一个卷积层和最大池化层。随后是4个分别包含四个卷积块和四个标识块的残差块。在每个卷积块和标识块之间放置最大池化层。每个卷积块中都有三个卷积层，其中一个卷积层位于残差连接上以处理梯度消失的问题，而另外两个卷积层用于在训练期间学习潜在的特征。对于标识块，通过使用跳跃连接将块输入送到其输出以实现标准的恒等映射。在每个卷积层之后加入一个带有批量归一化的非线性的激活函数(ReLu)。在每个卷积层中，卷积核的大小固定为16，过滤器数量等于2^k，其中整数k是随网络深度增加的超参数。全连接层首先将最后一个标识块的特征输出铺平。然后是两个分别含有两个全连接层的全连接块，其中每个全连接层含有ReLu非线性激活函数和0.6的丢弃概率。全连接块之后的输出层包含N个Sigmoid函数，这些函数用于返回对应于N个输出类别的概率分布。

通过残差连接以跳过中间层和位于残差连接上上的卷积层处理了梯度消失的问题。同时，模型的输出是一个1×N的向量，并且向量的每个元素对应于一个具体的心电图类型。将所有患者的初始标注结果保留在数据集中，因此某些心电图可能具有多个标签与患者对应。在这种情况下，这些心电图的输出向量将会包含超过1个非零元素，即能够进行多标签分类。

优选地，训练所得深度学习模型的评价指标包括：接受者操作特性曲线(ROC)围成的面积(AUC)、准确性accuracy、敏感性sensitivity、特异性specificity和F1值F1-score。用公式表示为：

其中，TP，FP，FN和TN分别表示真阳性，假阳性，假阴性和真阴性的数量。

按照本发明的另一方面，提供了一种基于深度学习的自动心电图分类方法，将待测心电图输入上述获取的基于深度学习的自动心电图分类模型，得到心电图自动分类结果。

按照本发明的又一方面，提供了一种按上述基于深度学习的自动心电图分类方法完成心电图的自动分类的设备。

通过本发明所构思的以上技术方案，与现有技术相比，能够取得以下有益效果：

1、稳定性是一个分类预测系统必须要面临的一个重大的问题。尤其是在考虑到在现实生活的临床实践中，由于心电图设备状态良莠不齐，心电图检测现场条件各有不同以及患者本身身体条件的差异等多方面原因，心电图数据往往会伴随着一定的干扰和噪声。如何在面对干扰和噪声的前提条件下准确的进行分类任务，是要解决稳定性方面的核心问题。本发明提供的基于深度学习的自动心电图分类方法通过加入带有残差连接的卷积块，避免因层数过深造成的梯度消失问题；加入标识块，与卷积块形成对应，防止卷积块跳过过多的卷积层，造成网络层数过浅，导致欠拟合或性能不佳；在输出前利用丢弃法，每层的隐藏单元将有一定概率被丢弃掉，以减少不必要的参数，防止过拟合。通过上述手段，能够对模型进行良好的科学的训练，也自然就会获得稳定性较高的预测模型。

2、本发明提供的基于深度学习的自动心电图分类系统可以进行全面的特征提取并完成多标签分类的判别任务，全面地提取患者心电图中的信息，完成分类。

附图说明

图1是本发明提供的基于深度学习的自动心电图分类模型的获取方法的流程框图；

图2是本发明提供的具有残差连接的卷积神经网络的结构示意图；

图3是本发明21种心律类型的ROC曲线图；

图4是本发明多标签的混淆矩阵示意图。

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。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间不构成冲突就可以相互组合。

本发明提供了一种基于深度学习的自动心电图分类模型的获取方法，如图1所示，包括以下步骤：

(1)将获取的经标注21类数据标签的原始心电图数据按照预设比例分为训练集和验证集。

(2)构建具有残差连接的卷积神经网络，代入训练集和验证集进行训练和验证，得到训练好的卷积神经网络；

(3)利用经标注21类数据标签的测试集对训练好的卷积神经网络进行评估，结合评估指标得到测试通过的自动心电图分类模型，神经网络结构如图2所示。

具体地，卷积神经网络由卷积层、最大池化层、4个残差块、展平层、2个全连接块和具有N向预测值输出的输出层构成。本发明还提供了一种基于深度学习的自动心电图分类方法，包括将待测心电图输入上述获取的基于深度学习的自动心电图分类模型，得到心电图自动分类结果。

本发明还提供了一种按上述基于深度学习的自动心电图分类方法完成心电图的自动分类的设备。

原始心电图数据为153402名18岁及以上的并在2012年1月1日到2019年8月30日期间在中国湖北省武汉市华中科技大学同济医院心内科心功能室进行过心电图检查的成年患者的包含21种心律类型的心电图数据，包括正常，窦性心动过速，窦性心动过缓，房性早搏，房性逸搏心律，房速，房扑，房颤，交界性早搏，交界性逸搏心律，交界性心动过速，室性早搏，室性逸搏心律，室速，心房起搏心律，心室起搏心律，左束支传导阻滞，一度房室传导阻滞，二度1型房室传导阻滞，预激B型，预激A型。除去室性逸搏心律之外，每种情况有至少5000幅标准的10秒12通道心电图。另外还有包含近1000份心电图的由高级的经过训练的并得到委员会认证的心内科医师标注的测试集。

为了保护患者的隐私和安全，对患者进行匿名处理以防止数据泄露。其中包含回顾性数据和匿名数据。这些数据来源于在2012年1月1日到2019年8月30日期间在华中科技大学同济医院心内科心功能室进行过心电图检查的成年患者。患者数量与性别的详细信息请见表1，各心律类型的患者平均年龄请见表2。

表1

表2

心电图数据使用了GE-Marquette型2000,3500和5500的心电图机并采用标准的10秒和12通道的方式和4000Hz的采样频率记录得到。并使用了MUSE数据管理系统来存储这些原始数据。具体的心电图样本数量与来源请见表3。

表3

因此，根据HIPPA法案，考虑到训练和测试数据集的10秒心电图样本在使用前均已得到适当匿名或取消标识，本研究不需要书面知情同意。本研究由华中科技大学学术评审委员会审查，但免于全面审查。

心电图数据首先由具备资质的心内科医师解释和标注，然后再由高级的或经过训练的并得到委员会认证的心内科医师再次解释和标注，以确保疾病标签的正确性，心内科医师信息如表4所示。

表4

为了标注训练数据集，一组资深的经过认证的心内科医师复查了所有记录，并记录了每幅心电图包含的所有心律。每条记录都会被随机分配的到一名医师，并由他专门负责此任务，而不用于任何其他目的。所有标注者都接受了有关如何标注心电图以提升标签一致性的特定说明和培训。从整个数据集中随机抽取10％用作验证集，并用它来进行深度神经网络超参数的调节。三名经委员会认证的执业医师标注了测试集中的数据。专家委员会对记录进行了分组讨论并在达成共识后进行标注，为模型的评估提供了黄金标准。

根据在心电图解释方面工作时间的不同将179位合格的心电图执业医师分为六个组：0至3年，3至6年，6至9年，9至12年，12至15年和大于等于15年。每组包含不少于10位执业医师。以随机的方式将测试集分配到一组的所有成员中，以便不重复地标注测试集。对于其它5组则重复上述相同的流程。总之，测试集中的每个记录都会得到一个标注。

数据集中的心电图样本首先由具有资质的心内科医师解释和标注，测试集由高级的或经过训练的并得到委员会认证的心内科医师再次解释和标注。根据报告总结提取标准的12通道心电图数据，以构建训练数据集，并将心电图数据划分为21种情况。为了标注训练数据集，一组资深的经过认证的心内科医师复查了所有记录，并记录了每幅心电图包含的所有心律。每条记录都会被随机分配的到一名心内科医师，并由他专门负责此任务，而不用于任何其他目的。所有标注者都接受了有关如何标注心电图以提升标签一致性的特定说明和培训。

这样，能够最大程度地确保数据标签的正确性，以获得较好的训练效果。

首先通过计算每个心律类别的AUC，并将其与心内科医师委员会达成共识后制定的黄金标准进行比较，来评估深度学习模型进行心电图分类的性能表现。所有21种疾病检测的AUC均大于0.95，平均水平为0.990。根据脉冲部位的水平，分别检测窦(正常，窦性心动过速，窦性心动过缓)，心房(房性早搏，房性逸搏心律，房速，房扑，房颤)，交界处(交界性早搏，交界性逸搏心律，交界性心动过速)，心室(室性早搏，室性逸搏心律，室速)和起搏器(心房起搏心律，心室起搏心律)各类的AUC加权平均值分别为0.987、0.989、0.978、0.968、0.995，显示出在心律不齐中检测脉冲激励的更强的性能。在评估心动过速(窦性心动过速，交界性心动过速，房速，室速)和心动过缓(窦性心动过缓，房性逸搏心律，交界性逸搏心律，室性逸搏心律)时，两个类别的加权平均AUC分别为0.998和0.968。对于传导异常的检测，即使对于类似的波形(如左束支传导阻滞和预激B型)，平均的AUC值也达到了0.978。

为了进一步验证算法的性能，将算法的F1值与具有不同心电图解释工作经验和年限的六组心内科医师的F1值进行了比较。使用测试集和委员会标注的标签作为黄金标准，计算了模型和心内科医师的F1值。独立的六个组的心内科医师的平均F1值随着他们在心电图解释中的经验水平的提高而增加，范围从0.718(工作年限0-3年)到0.783(工作年限大于15年)。但是，算法的平均F1值为0.891，超过了所有六个组的水平，甚至超过了拥有15年以上心电图解释经验的心内科医师的小组。在这21种疾病中，深度学习模型得出的F1值分别为：正常为0.988，窦性心动过速为0.892，窦性心动过缓为0.899，房速为0.961，交界性早搏为0.872，交界性逸搏心律为0.843，交界性心动过速为0.848，室性逸搏心律为0.850，室速为0.941，一度房室传导阻滞为0.844，超过了心内科医师的平均水平。对于某些相似的类型，本模型的F1值略低与执业医师的水平。ROC曲线以进一步评估深度学习模型的性能。另外，出于比较的目的，在同一幅图中还添加了六组心内科医师的相同性能指标与水平。在测试数据集上测试模型。为了进行公平的比较，通过将每一类别的特异性点固定在该类心内科医师所给出的平均值上，选择了模型的敏感点。

本发明提出了一个基于卷积神经网络的方法，可对心电图心律失常进行高度准确的分类。标准的10秒12通道的原始心电图数据(采样频率为500Hz)被转换为12×5000的矩阵，作为卷积神经网络模型的输入。时间维度5000是每个通道的时间序列数据点的个数，空间维度12是通道的个数。模型的输出是一个1×21的向量，并且向量的每个元素对应于一个具体的心电图类型。所有患者的初始标注结果保留在数据集中，因此某些心电图可能具有多个标签与患者对应。在这种情况下，这些心电图的输出向量将会包含超过1个非零元素。

本发明提出的卷积神经网络有15个交替层以实现上述21种心电图类别的多标签分类。为了防止梯度消失问题，在残差块当中应用了残差连接以跳过中间层。输入的心电图信号首先通过一个卷积层和最大池化层。随后是8个分别包含四个卷积块和四个标识块的残差块。在每个卷积块和标识块之间放置最大池化层。每个卷积块中都有三个卷积层，其中一个卷积层位于残差连接上以处理梯度消失的问题，而另外两个卷积层用于在训练期间学习潜在的特征。对于标识块，通过使用跳跃式传递将块输入加回到其输出以实现标准的标识映射。在每个卷积层之后，加入了一个带有批量归一化的非线性的激活函数(ReLu)。在每个卷积层中，卷积核的大小固定为16，过滤器数量等于2^k，其中整数k是随网络深度增加的超参数。全连接层首先将最后一个标识块的特征输出铺平。然后是两个分别含有两个全连接层的全连接块，其中每个全连接层含有ReLu非线性激活函数和0.6的丢弃概率。全连接块之后的输出层包含21个Sigmoid函数，这些函数用于返回对应于21个输出类别的概率分布。

每个卷积层后的激活函数线性整流函数ReLU的定义如下：

当优化器计算梯度下降时，ReLU避免了相对于其他函数的梯度消失，同时保证了卷积网络的稀疏性，与其他激活函数相比，显著地减少了训练所需时间。以上操作会输出结果

这里选择的最大池化为：

其中p为池化尺寸，e为步长大小。

在卷积和池化之后，数据被送入展平层。数据在展平层中被转换为一维结构，表示为F＝[F₁，F₂，…，F_q]，q，其中q是长度数据在从压平层输出后的长度，以辅助在全连接层(FCN)中的数据处理。然后，用带有ReLU激活函数的全连接层来实现降维，即：

O＝ReLU(W·F)

其中W是全连接层的权重，O＝[O₁，O₂，...，O_N]是全连接层的输出，·是点乘符号。N是分类问题中的错误类型数，而在回归问题中N＝1。

在中分类问题使用softmax函数作为输出层的激活函数而在回归问题中则使用Sigmoid函数。对于分类问题，估计的结果

为:

对于回归问题，

则表示为：

222492幅包含21种脉搏和传导异常的心电图被以9:1的比例分配到2个文件夹当中，分别命名为心电图的训练集，验证集。训练集和验证集用来训练和优化这个网络。至于测试集，会确保为测试集做出贡献的相关患者不会出现在训练集和验证集当中。为了评估这个深度学习模型的表现，由委员会认证的执业心内科医师在商讨并达成共识后进一步选择了1064幅心电图，并由149位具有不同经验水平(范围是0至15年)的心电图心内科医师对它们进行分类和标注。

在训练过程中，为了使预测值与训练数据中的真实标签之间的差异最小，选择交叉熵L_ce损失函数和最小二乘损失函数L_ls分别作为分类问题和回归问题的损失函数，这些方程式的定义为：

其中y⁽ⁱ⁾是第i个训练量的实际输出，q是训练量的总数，{y⁽ⁱ⁾＝n}是始终返回零或一的逻辑表达式。

一旦选择了损失函数，就使用标准的优化器，例如随机梯度下降(SGD)或Adam，在反向传播中进行参数训练以更新权重。对于最终的卷积神经网络模型，其权重将不断被更新，直到达到预定义的最大迭代次数以及较低的损失为止。

使用常规初始化技术以随机权重初始化模型。在TensorFlow中运用RAdam优化器来优化神经网络以实现本发明的模型。将学习率初始化为0.001，默认动量参数初始化为β₁＝0.9和β₂＝0.999。训练总共会进行100次迭代并且每个小的批量的数据量为64。当连续五次迭代的验证误差均未得到改善时，会将学习率降低10倍。使用多类交叉熵损失函数训练模型，其中每一类的权重是所有类别中的最大样本数与该类的样本数之比。在研究中实用的编程语言是python3.6，并且使用了Keras深度学习库。该模型在配备有Intel Xeon 48核2.10GHz处理器，128GB RAM和三个NVIDIA GTX1080图形处理单元(GPU)的Dell Precision7920塔式工作站上进行了训练。

深度学习模型的性能摘要请见表5，深度学习模型与心内科医师在心电图解释中的F1评分比较请见表6。

表5

表6

更进一步的，ROC曲线用来评估深度学习模型的性能。图3分别呈现了21种心律类型的ROC曲线。为了进行公平的比较，通过将每一类别的特异性点固定在该类心内科医师所给出的平均值上，选择了模型的敏感点。接受者操作特性曲线(ROC)请见图3，按照从左到右、从上到下依次为正常、窦性心动过速、窦性心动过缓、房性早搏、房性逸搏心律、房速、房扑、房颤、交界性早搏、交界性逸搏心律、交界性心动过速、室性早搏、室性逸搏心律、室速、心房起搏心律、心室起搏心律、左束支传导阻滞、一度房室传导阻滞、二度1型房室传导阻滞、预激B型和预激A型。

除此之外，图4绘制了多标签分类的混淆矩阵，按照从左到右、从上到下依次为正常、窦性心动过速、窦性心动过缓、房性早搏、房性逸搏心律、房速、房扑、房颤、交界性早搏、交界性逸搏心律、交界性心动过速、室性早搏、室性逸搏心律、室速、心房起搏心律、心室起搏心律、左束支传导阻滞、一度房室传导阻滞、二度1型房室传导阻滞、预激B型和预激A型。混淆矩阵的每一列代表了预测类别，每一列的总数表示预测为该类别的数据的数目；每一行代表了数据的真实归属类别，每一行的数据总数表示该类别的数据实例的数目。每一列中的数值表示真实数据被预测为该类的数目。混淆矩阵是评估分类误差和准确度的常规手段。

本领域的技术人员容易理解，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 (7)

1.一种基于深度学习的自动心电图分类模型的获取方法，其特征在于，包括以下步骤：

(1)将获取的经标注N类数据标签的原始心电图数据按照预设比例分为训练集和验证集；

(2)构建具有残差连接的卷积神经网络，代入所述训练集和验证集进行训练和验证，得到训练好的卷积神经网络；

(3)利用经标注N类数据标签的测试集对所述训练好的卷积神经网络进行评估，结合评估指标得到测试通过的自动心电图分类模型。

2.根据权利要求1所述的基于深度学习的自动心电图分类模型的获取方法，其特征在于，所述N类数据标签为N-1种心电图异常和一个正常的集合。

3.根据权利要求1所述的基于深度学习的自动心电图分类模型的获取方法，其特征在于，所述具有残差连接的卷积神经网络依次包括卷积层、最大池化层、4个残差块、展平层、2个全连接块、输出层；每个残差块包括一个卷积块、一个标识块以及两者之间的最大池化层；所述卷积块中有三个卷积层，其中一个卷积层位于残差连接上以处理梯度消失的问题，另外两个卷积层用于在训练期间学习潜在的特征，其中每个卷积层之后都有一个激活函数；所述卷积块通过使用残差连接将块输入直接映射到其输出，完成标准的恒等映射，以实现自动的网络深度调节；所述标识块用来防止所述卷积块减少层数造成的欠拟合；所述展平层用于将数据的矩阵形式转化为一维向量以便于后续数据处理和输出；所述每个全连接块包括两个全连接层；所述输出层包括N个Sigmoid函数，用于返回对应的N维类别的概率分布。

4.根据权利要求3所述的基于深度学习的自动心电图分类模型的获取方法，其特征在于，所述卷积块使用残差连接将块输入直接映射到其输出具体包括：

当进行训练时，未发生梯度消失，途经第一卷积层；当出现因为层数过多而造成梯度消失时，进行网络深度的自动调节，途经作为残差连接的第二卷积层，实现标准的恒等映射。

5.根据权利要求1所述的基于深度学习的自动心电图分类模型的获取方法，其特征在于，所述评估指标包括接受者操作特性曲线围成的面积、准确性accuracy、敏感性sensitivity、特异性specificity和F1值F1-score，用公式表示为：

其中，TP，FP，FN和TN分别表示真阳性，假阳性，假阴性和真阴性的数量。

6.一种基于深度学习的自动心电图分类方法，其特征在于，将待测心电图输入权利要求1至5任一项所述的基于深度学习的自动心电图分类模型，得到心电图分类结果。

7.一种自动心电图分类设备，其特征在于，所述设备利用权利要求6所述的基于深度学习的自动心电图分类方法完成心电图的自动分类。

Images