CN111759302A - 一种可穿戴式个体心电检测方法 - Google Patents
一种可穿戴式个体心电检测方法 Download PDFInfo
- Publication number
- CN111759302A CN111759302A CN202010662145.3A CN202010662145A CN111759302A CN 111759302 A CN111759302 A CN 111759302A CN 202010662145 A CN202010662145 A CN 202010662145A CN 111759302 A CN111759302 A CN 111759302A
- Authority
- CN
- China
- Prior art keywords
- model
- lead
- neural network
- patient
- detection method
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 238000011897 real-time detection Methods 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 23
- 238000013145 classification model Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
-
- 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
-
- 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)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明属于心电检测技术领域，具体涉及一种可穿戴式患者个体心电检测方法。本发明基于多流多尺度卷积神经网络(Multi‑stream Multi‑scale Convolutional Neural Networks，简称MM‑CNN)模型和多导综合判断算法对个体心电图(ECG)进行检测分类。本发明提出了基于MM‑CNN的单导联的分类检测算法，促进心电诊断的临床实践；提出了利用从特定的病人身上获取几分钟的心电信号，将通用模型训练成患者专用模型的算法；通用模型和专用模型的网络体系相同，提高了心电检测的效率；本发明提出了多导联综合判断算法对来自特定患者的心电信号进行永久分类，提高了鲁棒性，该方法准确率高，实时性强，适合可穿戴设备进行实时检测。
Description
技术领域
本发明属于心电检测技术领域，具体涉及一种可穿戴式患者个体心电检测方法。
背景技术
2013年，智能可穿戴设备行业在中国开始起步，目前可穿戴设备市场似乎已经饱和。这几年可穿戴设备的市场有些萎靡，因为可穿戴设备的主要用于医疗健康的检测比较多，但是检测的准确度不够，比如心电信号的检测。尽管Holter或其他心电图仪可以轻松捕获长期的实时ECG信号，但如何挖掘信息以进一步诊断心脏病仍然有些挑战。心电图在不同患者之间差异很大，这种差异在很大程度上取决于患者的身体状况。因为不同患者之间ECG波形形态的变异，从ECG信号中提取的特征应很好地代表相应患者的特征，以往的方法都无法满足这一需求。
发明内容
针对上述问题，本发明提出了一种可穿戴式个体心电检测方法，本发明准确率高，实时性强，适合可穿戴设备进行实时检测。
本发明所述的一种可穿戴式患者个体心电检测方法，是基于多流多尺度卷积神经网络(Multi-stream Multi-scale Convolutional Neural Networks，简称MM-CNN)模型和多导综合判断算法对个体心电图(ECG)进行检测分类，包括以下步骤：
(1)收集心电信号并对其进行预处理；
(2)基于多流多尺度卷积神经网络模型单导联患者个体心电信号通用模型的训练；
(3)基于多流多尺度卷积神经网络模型单导联患者个体心电信号专用模型的训练；
(4)采用多导综合判断算法确定心电检测最终结果。
单个深度卷积网络学习整个图像细节较为困难，因为处于低层次但是区分性较强的独特细节有可能被丢弃在中间网络层，或者被大量无用信息所淹没。MM-CNN模型拓宽CNN网络结构，充分提取信号的特征。尽管许多研究几乎都获得了心电图分割的最佳效果，并且提出了各种滤波方法，但与分类相关的步骤(ECG特征提取和分类算法)仍有改进的空间。为了能够提取ECG信号中的复杂特征，提高ECG分类的有效性和效率，本发明将重点放在特征提取和ECG分类步骤上，以促进ECG诊断的临床实践。更为具体的，本算法采用MM-CNN模型训练出通用的心电信号分类模型，并将其嵌入到可穿戴设备中，作为后续网络的预训练网络。在设备训练阶段，可穿戴设备自动捕获一名特定个体2-5分钟的ECG信号作为输入，对通用的分类模型做迭代修改，生成对特定个体专用的心电信号分类模型。再通过多导综合判断算法确定心电检测的最终结果。该算法突破了对专用个体心电信号检测的瓶颈，具有前沿性，新颖性，更重要的是实用性。
卷积神经网络(Convolutional Neural Networks，CNN)本质上是一种输入到输出的映射，主要由两部分组成，一部分是特征提取(卷积、激活函数、池化)，另一部分是分类识别(全连接层)。卷积层的功能是对输入数据进行特征提取，内部包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量。卷积层内每个神经元都与前一层中位置接近的区域的多个神经元相连，区域的大小取决于卷积核的大小。
应用于提取ECG特征的网络，选择多尺度的卷积神经网络(Multi-ScaledConvolutional Neural Networks，MS-CNN)，获取不同长度的特征。比如我们可以5s，10s，15s，20s为例，在VGGNET网络的基础上优化模型。这种方法打破了以前学者利用CNN应用于ECG分析中，为了使输入维数保持一致，需要将原始数据截取到固定长度的限制；并且弥补了常规深度学习系统面对大规模数据集时，深度学习模型迭代训练和模型应用效率低下的问题。为心电信号数据模型训练与数据分析计算提供了支撑，大幅度提高了实时计算的速度和分析预测的准确性。
采用的MS-CNN采用具有不同滤波器大小的双卷积神经网络流，捕获ECG记录中不同比例的特征。在VGGNET的隐藏层的基础上增加一个大小不同的卷积核，可以获取更多的特征点。可变卷积核的采用，大大减少了训练的参数，提高了卷积在信号滤波中作用，降低了多尺度转换的复杂度。两个卷积神经网络流都采用小的卷积滤波器，增加卷积网络模型的深度。通过堆叠小滤波器，代替单一的大的卷积滤波器，进一步减少了参数的数量，降低了计算量，提高决策函数判别的准确性和实时性，而网络深度的增加，增强了正则化，提升了信号分辨的准确性。
Maxout网络是深度学习网络中的一层网络，假设输入网络某一层的输入特征向量为：
X＝(x1，x2，……xd)
Maxout网络隐藏层每个神经元的计算公式：
将小型多层Maxout网络嵌套进卷积层中，弥补了传统CNN在卷积层中使用单层线性卷积对非线性特征的提取能力不足的缺陷；并且能够提取复杂心电信号中隐含的抽象特征，提高模型的特征拟合与提取能力，从而提高识别和分类精度。
因为心电信号的复杂性，有多种不同的数据有待通过卷积神经网络进行识别，但不同数据之间是具有显著差异的。如果直接将各种数据合并在一起作为输入，那么在特征提取的过程中，各种数据间的变化将被突出，而每种数据的特征将被弱化。因此，我们尝试将多种数据分别进行特征提取，将多路输入分别用卷积层提取特征，经过多次卷积层提取特征及池化层压缩特征，然后将输出融合，并通过全连接层，softmax层最终得到心电类型的判别结果。
采用多导联检测结果的决策，与单导分析技术相比，这种检测结果拥有更多的信息，可以明显提升QRS波检测和QRS波分类分辨的准确性，也更加符合临床使用的实际情况，能够有效提高心电监护的性能。
本发明提出了基于MM-CNN的单导联的分类检测算法，促进心电诊断的临床实践；提出了利用从特定的病人身上获取几分钟的心电信号，将通用模型训练成患者专用模型的算法；通用模型和专用模型的网络体系相同，提高了心电检测的效率；本发明提出了多导联综合判断算法对来自特定患者的心电信号进行永久分类，提高了鲁棒性，该方法准确率高，实时性强，适合可穿戴设备进行实时检测。本发明在临床医疗领域具有广阔的应用前景，对推进患者专用诊疗领域的科学研究具有重要的学术价值。
附图说明
图1为本发明总体框架图；
图2为Maxout网络图；
图3为多流卷积神经网络体系结构图；
图4为多导综合判断算法框图。
具体实施方式
一种可穿戴式个体心电检测方法，该方法基于多流多尺度卷积神经网络模型和多导综合判断算法对个体心电图进行检测分类。
包括以下步骤：
(1)收集心电信号并对其进行预处理；
(2)基于多流多尺度卷积神经网络模型单导联患者个体心电信号通用模型的训练；
(3)基于多流多尺度卷积神经网络模型单导联患者个体心电信号专用模型的训练；
(4)采用多导综合判断算法确定心电检测结果。
更具体的，本算法采用MM-CNN模型训练出通用的心电信号分类模型，并将其嵌入到可穿戴设备中，作为后续网络的预训练网络。在设备训练阶段，可穿戴设备自动捕获一名特定个体2-5分钟的ECG信号作为输入，对通用的分类模型做迭代修改，生成对特定个体专用的心电信号分类模型。再通过多导综合判断算法确定心电检测的最终结果。
本发明采用的多尺度卷积神经网络采用具有不同滤波器大小的双卷积神经网络流，捕获ECG记录中不同比例的特征，在VGGNET的隐藏层的基础上增加一个大小不同的卷积核，可以获取更多的特征点。
本发明将小型多层Maxout网络嵌套进卷积层中。
本发明将多种数据分别进行特征提取，将多路输入分别用卷积层提取特征，经过多次卷积层提取特征及池化层压缩特征，然后将输出融合，并通过全连接层，softmax层最终得到心电类型的判别结果。
Claims (5)
1.一种可穿戴式个体心电检测方法，其特征在于，该方法基于多流多尺度卷积神经网络模型和多导综合判断算法对个体心电图进行检测分类。
2.根据权利要求1所述的一种可穿戴式患者个体心电检测方法，其特征在于，包括以下步骤：
(1)收集心电信号并对其进行预处理；
(2)基于多流多尺度卷积神经网络模型单导联患者个体心电信号通用模型的训练；
(3)基于多流多尺度卷积神经网络模型单导联患者个体心电信号专用模型的训练；
(4)采用多导综合判断算法确定心电检测结果。
3.根据权利要求1所述的一种可穿戴式患者个体心电检测方法，其特征在于，采用的多尺度卷积神经网络采用具有不同滤波器大小的双卷积神经网络流，捕获ECG记录中不同比例的特征，在VGGNET的隐藏层的基础上增加一个大小不同的卷积核，可以获取更多的特征点。
4.根据权利要求1所述的一种可穿戴式患者个体心电检测方法，其特征在于，将小型多层Maxout网络嵌套进卷积层中。
5.根据权利要求1所述的一种可穿戴式患者个体心电检测方法，其特征在于，将多种数据分别进行特征提取，将多路输入分别用卷积层提取特征，经过多次卷积层提取特征及池化层压缩特征，然后将输出融合，并通过全连接层，softmax层最终得到心电类型的判别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010662145.3A CN111759302A (zh) | 2020-07-10 | 2020-07-10 | 一种可穿戴式个体心电检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010662145.3A CN111759302A (zh) | 2020-07-10 | 2020-07-10 | 一种可穿戴式个体心电检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111759302A true CN111759302A (zh) | 2020-10-13 |
Family
ID=72726291
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010662145.3A Pending CN111759302A (zh) | 2020-07-10 | 2020-07-10 | 一种可穿戴式个体心电检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111759302A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113749668A (zh) * | 2021-08-23 | 2021-12-07 | 华中科技大学 | 一种基于深度神经网络的可穿戴心电图实时诊断系统 |
| CN117357129A (zh) * | 2023-11-13 | 2024-01-09 | 齐鲁工业大学(山东省科学院) | 一种针对可穿戴式设备的心电图qrs波形检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108875575A (zh) * | 2018-05-12 | 2018-11-23 | 鲁东大学 | 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 |
| CN110141219A (zh) * | 2019-06-20 | 2019-08-20 | 鲁东大学 | 基于导联融合深度神经网络的心肌梗死自动检测方法 |
| CN110619322A (zh) * | 2019-10-18 | 2019-12-27 | 武汉大学 | 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统 |
-
2020
- 2020-07-10 CN CN202010662145.3A patent/CN111759302A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108875575A (zh) * | 2018-05-12 | 2018-11-23 | 鲁东大学 | 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 |
| CN110141219A (zh) * | 2019-06-20 | 2019-08-20 | 鲁东大学 | 基于导联融合深度神经网络的心肌梗死自动检测方法 |
| CN110619322A (zh) * | 2019-10-18 | 2019-12-27 | 武汉大学 | 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113749668A (zh) * | 2021-08-23 | 2021-12-07 | 华中科技大学 | 一种基于深度神经网络的可穿戴心电图实时诊断系统 |
| CN113749668B (zh) * | 2021-08-23 | 2022-08-09 | 华中科技大学 | 一种基于深度神经网络的可穿戴心电图实时诊断系统 |
| CN117357129A (zh) * | 2023-11-13 | 2024-01-09 | 齐鲁工业大学(山东省科学院) | 一种针对可穿戴式设备的心电图qrs波形检测方法 |
| CN117357129B (zh) * | 2023-11-13 | 2024-06-04 | 齐鲁工业大学(山东省科学院) | 一种针对可穿戴式设备的心电图qrs波形检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111449645B (zh) | 心电图心拍智能分类识别方法 | |
| Acharya et al. | A deep convolutional neural network model to classify heartbeats | |
| Acharya et al. | Automated detection of arrhythmias using different intervals of tachycardia ECG segments with convolutional neural network | |
| Xia et al. | Generative adversarial network with transformer generator for boosting ECG classification | |
| CN113095302B (zh) | 用于心律失常分类的深度模型、利用该模型的方法及装置 | |
| Zhang et al. | ECG signal classification with deep learning for heart disease identification | |
| Ma et al. | Multi-classification of arrhythmias using ResNet with CBAM on CWGAN-GP augmented ECG Gramian Angular Summation Field | |
| CN108511055B (zh) | 基于分类器融合及诊断规则的室性早搏识别系统及方法 | |
| CN108090509B (zh) | 一种数据长度自适应的心电图分类方法 | |
| Liu et al. | Diagnosis of arrhythmias with few abnormal ECG samples using metric-based meta learning | |
| CN109259756B (zh) | 基于非平衡训练的二级神经网络的ecg信号处理方法 | |
| Fang et al. | Dual-channel neural network for atrial fibrillation detection from a single lead ECG wave | |
| Islam et al. | New hybrid deep learning approach using BiGRU-BiLSTM and multilayered dilated CNN to detect arrhythmia | |
| Sugimoto et al. | Detection and localization of myocardial infarction based on a convolutional autoencoder | |
| Wang et al. | Multi-class arrhythmia detection based on neural network with multi-stage features fusion | |
| CN111248859A (zh) | 基于卷积神经网络的睡眠呼吸暂停自动检测方法 | |
| Ma et al. | An effective data enhancement method for classification of ECG arrhythmia | |
| Boda et al. | An automated patient-specific ECG beat classification using LSTM-based recurrent neural networks | |
| CN105877739A (zh) | 一种心电智能分析系统的临床检验方法 | |
| CN111759302A (zh) | 一种可穿戴式个体心电检测方法 | |
| CN113116300A (zh) | 一种基于模型融合的生理信号分类方法 | |
| CN111759298A (zh) | 一种降低多参数监护仪心律失常误报警率的方法 | |
| Wang et al. | Multiscale residual network based on channel spatial attention mechanism for multilabel ECG classification | |
| Guo et al. | An intelligent computer-aided diagnosis approach for atrial fibrillation detection based on multi-scale convolution kernel and Squeeze-and-Excitation network | |
| Ma et al. | Atrial fibrillation detection algorithm based on graph convolution network |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201013 |