CN111956201A - 基于卷积神经网络的心拍类型识别方法和装置 - Google Patents

基于卷积神经网络的心拍类型识别方法和装置 Download PDF

Info

Publication number
CN111956201A
CN111956201A CN202010708018.2A CN202010708018A CN111956201A CN 111956201 A CN111956201 A CN 111956201A CN 202010708018 A CN202010708018 A CN 202010708018A CN 111956201 A CN111956201 A CN 111956201A
Authority
CN
China
Prior art keywords
heart beat
value
convolutional
layer
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.)
Granted
Application number
CN202010708018.2A
Other languages
English (en)
Other versions
CN111956201B (zh
Inventor
朱俊江
王雨轩
陈红岩
候纯纯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Shuchuang Medical Technology Co ltd
Original Assignee
Shanghai Shuchuang Medical Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Shuchuang Medical Technology Co ltd filed Critical Shanghai Shuchuang Medical Technology Co ltd
Priority to CN202010708018.2A priority Critical patent/CN111956201B/zh
Publication of CN111956201A publication Critical patent/CN111956201A/zh
Application granted granted Critical
Publication of CN111956201B publication Critical patent/CN111956201B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—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
    • A61B5/7264—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)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Power Engineering (AREA)
  • Image Analysis (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本申请涉及一种基于样本分布改进的卷积神经网络的心拍类型识别方法和装置，通过先行计算心拍的平均值xavg，最大值xMAX，最小值xMIN，峰值xF，和峭度值xQ，是否符合条件，来判断生成基于样本分布改进的卷积神经网络模型中的训练用的心拍数据是否符合样本分布，当
Figure DDA0002595407690000011
Figure DDA0002595407690000012
Figure DDA0002595407690000013
中成立的个数小于3个时，则认为模型所使用的训练数据不符合样本分布，将训练数据中没有覆盖到的数据确定为“无法判断的类型”，以此减少心拍类型的误判。

Description

基于卷积神经网络的心拍类型识别方法和装置
技术领域
本申请属于人工神经网络在心跳类型筛选技术领域，尤其是涉及一种基于卷积神经网络的心拍类型识别方法和装置。
背景技术
心电信号是心脏的无数心肌细胞电活动的综合反映。正常情况下，窦房结、心房、心室的心肌细胞依次除极，形成一个包含一段P波，QRS波，T波的信号段的心拍，多个心拍组合形成一段心电信号。室性早搏心拍指的是在窦房结冲动尚未抵达心室之前，由心室中的任何一个部位或室间隔的异位节律点提前发出电冲动引起心室的除极所形成的心拍。从一段长时间的心电信号中筛查出所有室性早搏心拍对判别病人情况极为重要，但又耗时耗力，因此利用计算机筛查出心电信号中的室早心拍意义重大。然而由于心脏内可以发出电冲击的位置很多，电冲击位置不同时，所展示出的心拍形状不同，而且存在很多干扰，因此在对心拍进行分类时，想要找到所有的室早心拍以及“其他”类型心拍的模式和数据对深度学习模型进行训练几乎是不可能的，因而容易导致对心拍类型的误判。
发明内容
本发明要解决的技术问题是：为解决现有技术中的不足，从而提供一种基于样本分布改进的卷积神经网络及应用于心跳类型识别。
本发明解决其技术问题所采用的技术方案是：
一种基于样本分布改进的卷积神经网络的心拍类型识别方法，包括以下步骤：
步骤S1：采集未知类型的12导联心电信号中的II导联心拍信号中的心拍，计算该心拍的平均值xavg，最大值xMAX，最小值xMIN，峰值xF，和峭度值xQ；
步骤S2：判断
Figure BDA0002595407670000021
Figure BDA0002595407670000022
Figure BDA0002595407670000023
中成立的个数；
步骤S3：如果步骤S2中有3个及以上成立则输入到基于样本分布改进的卷积神经网络模型来判断心拍类型，否则认为未知类型的心拍是“无法判断的类型”；
步骤S4：当基于样本分布改进的卷积神经网络模型的输出值接近a时，认为未知类型的心拍为室早心拍；输出值接近b时，认为未知类型的心拍为非室早心拍信号；
基于样本分布改进的卷积神经网络模型通过以下方法训练得到：
步骤S31：收集标记好的12导联心电信号中的II导联心拍信号充分多条形成训练数据，II导联心拍信号包括各占总数量一半的室早心拍信号和非室早心拍信号，将室早心拍信号的标签设置为a，非室早心拍信号的标签设置为b；
步骤S32：将训练数据及其对应的标签输入到卷积神经网络进行训练，得到样本分布改进的卷积神经网络模型；
步骤S2中的
Figure BDA0002595407670000024
σavg，
Figure BDA0002595407670000025
σMAX，
Figure BDA0002595407670000026
σMIN，
Figure BDA0002595407670000027
σF，
Figure BDA0002595407670000028
σQ的值通过以下方法得到：对收集到的训练数据中的所有心拍数据进行统计，统计出每个心拍数据的均值、最大值、最小值、峰值和峭度值分别形成均值数组AVG＝{a1,a2,a3…aN}、最大值数组MAX＝{m1,m2,m3…mN}、最小值数组MIN＝{c1,c2,…cN}、峰值数组F＝{f1,f2,…fN}和峭度值数组Q＝{q1,q2,…qN}，求取均值数组、最大值数组、最小值数组、峰值数组和峭度值数组的均值和均方差值分别记为
Figure BDA0002595407670000031
σavg，
Figure BDA0002595407670000032
σMAX，
Figure BDA0002595407670000033
σMIN，
Figure BDA0002595407670000034
σF，
Figure BDA0002595407670000035
σQ；
对每个训练数据中的所有心拍数据均进行以下判断：
Figure BDA0002595407670000036
Figure BDA0002595407670000037
Figure BDA0002595407670000038
获取其中成立的个数，将训练数据中小于3个成立条件的心拍数据剔除后形成新的训练数据，重复计算新的训练数据中每个心拍数据的均值、最大值、最小值、峰值和峭度值分别形成均值数组、最大值数组、最小值数组、峰值数组和峭度值数组，再次分别求取均值数组、最大值数组、最小值数组、峰值数组和峭度值数组的均值和均方差值，重复判断成立条件个数并剔除小于3个成立条件的心拍数据，直到训练数据不再发生改变。
优选地，本发明的基于样本分布改进的卷积神经网络的训练方法，II导联心拍信号的采样频率500Hz，并经过0.5-100Hz的巴特沃兹带通滤波器进行滤波。
优选地，本发明的基于样本分布改进的卷积神经网络的训练方法，每个心拍信号为从R波波峰之前的0.38s到R波波峰之后0.5s之间的心电图信号。
优选地，本发明的基于样本分布改进的卷积神经网络的训练方法，样本分布改进的卷积神经网络模型由10层网络即layer1-layer9和一个分类器组成；其中layer1-layer5均由一个卷积层和一个池化层组成，均使用LeakyReLU激活函数；layer1中卷积层包含32个核，卷积核大小均为7，layer1中池化层中的步长和核大小均为2；layer2的卷积层包含32个核，卷积核大小均为5，layer2中池化层中的步长和核大小均为2；layer3的卷积层包含32个核，卷积核大小均为3，layer3中池化层中的步长和核大小均为2；layer4的卷积层包含32个核，卷积核大小均为5，layer4中池化层中的步长和核大小均为2；layer5的卷积层包含32个核，卷积核大小均为5，layer5中池化层中的步长和核大小均为2；layer6的卷积层包含32个核，卷积核大小均为5；layer7为双向长短期记忆网络层的输入层神经元与layer6的输出特征个数一致，向前输出神经元为30个神经元，向后输出神经元为30个神经元，双向长短期记忆网络层共输出60个神经元；layer8为注意力机制层，承接layer7的输出；layer9为全连接层，承接layer8的输出，输出的神经元个数为4个。
优选地，本发明的基于样本分布改进的卷积神经网络的训练方法，a＝1，b＝0，步骤S4中当基于样本分布改进的卷积神经网络模型的输出值大于0.5时，认为未知类型的心拍为室早心拍；输出值小于等于0.5时，认为未知类型的心拍为非室早心拍信号。
本发明还提供一种基于样本分布改进的卷积神经网络的心拍类型识别装置，包括：
信号收集模块：用于采集未知类型的12导联心电信号中的II导联心拍信号中的心拍，计算该心拍的平均值xavg，最大值xMAX，最小值xMIN，峰值xF，和峭度值xQ；
初步判断模块：用于判断
Figure BDA0002595407670000051
Figure BDA0002595407670000052
Figure BDA0002595407670000053
中成立的个数；
初筛选模块：如果初步判断模块中有3个及以上成立则输入到基于样本分布改进的卷积神经网络模型来判断心拍类型，否则认为未知类型的心拍是“无法判断的类型”；
结果输出模块：当基于样本分布改进的卷积神经网络模型的输出值接近a时，认为未知类型的心拍为室早心拍；输出值接近b时，认为未知类型的心拍为非室早心拍信号；
基于样本分布改进的卷积神经网络模型通过以下方法训练得到：
训练集生成子模块：用于收集标记好的12导联心电信号中的II导联心拍信号充分多条形成训练数据，II导联心拍信号包括各占总数量一半的室早心拍信号和非室早心拍信号，将室早心拍信号的标签设置为a，非室早心拍信号的标签设置为b；
模型生成子模块：将训练数据及其对应的标签输入到卷积神经网络进行训练，得到样本分布改进的卷积神经网络模型；
初步判断模块中的
Figure BDA0002595407670000054
σavg，
Figure BDA0002595407670000055
σMAX，
Figure BDA0002595407670000056
σMIN，
Figure BDA0002595407670000057
σF，
Figure BDA0002595407670000058
σQ的值通过以下方法得到：对收集到的训练数据中的所有心拍数据进行统计，统计出每个心拍数据的均值、最大值、最小值、峰值和峭度值分别形成均值数组AVG＝{a1,a2,a3…aN}、最大值数组MAX＝{m1,m2,m3…mN}、最小值数组MIN＝{c1,c2,…cN}、峰值数组F＝{f1,f2,…fN}和峭度值数组Q＝{q1,q2,…qN}，求取均值数组、最大值数组、最小值数组、峰值数组和峭度值数组的均值和均方差值分别记为
Figure BDA0002595407670000061
σavg，
Figure BDA0002595407670000062
σMAX，
Figure BDA0002595407670000063
σMIN，
Figure BDA0002595407670000064
σF，
Figure BDA0002595407670000065
σQ；
对每个训练数据中的所有心拍数据均进行以下判断：
Figure BDA0002595407670000066
Figure BDA0002595407670000067
Figure BDA0002595407670000068
获取其中成立的个数，将训练数据中小于3个成立条件的心拍数据剔除后形成新的训练数据，重复计算新的训练数据中每个心拍数据的均值、最大值、最小值、峰值和峭度值分别形成均值数组、最大值数组、最小值数组、峰值数组和峭度值数组，再次分别求取均值数组、最大值数组、最小值数组、峰值数组和峭度值数组的均值和均方差值，重复判断成立条件个数并剔除小于3个成立条件的心拍数据，直到训练数据不再发生改变。
优选地，本发明的基于样本分布改进的卷积神经网络的训练装置，II导联心拍信号的采样频率500Hz，并经过0.5-100Hz的巴特沃兹带通滤波器进行滤波。
优选地，本发明的基于样本分布改进的卷积神经网络的训练装置，每个心拍信号为从R波波峰之前的0.38s到R波波峰之后0.5s之间的心电图信号。
优选地，本发明的基于样本分布改进的卷积神经网络的训练装置，样本分布改进的卷积神经网络模型由10层网络即layer1-layer9和一个分类器组成；其中layer1-layer5均由一个卷积层和一个池化层组成，均使用LeakyReLU激活函数；layer1中卷积层包含32个核，卷积核大小均为7，layer1中池化层中的步长和核大小均为2；layer2的卷积层包含32个核，卷积核大小均为5，layer2中池化层中的步长和核大小均为2；layer3的卷积层包含32个核，卷积核大小均为3，layer3中池化层中的步长和核大小均为2；layer4的卷积层包含32个核，卷积核大小均为5，layer4中池化层中的步长和核大小均为2；layer5的卷积层包含32个核，卷积核大小均为5，layer5中池化层中的步长和核大小均为2；layer6的卷积层包含32个核，卷积核大小均为5；layer7为双向长短期记忆网络层的输入层神经元与layer6的输出特征个数一致，向前输出神经元为30个神经元，向后输出神经元为30个神经元，双向长短期记忆网络层共输出60个神经元；layer8为注意力机制层，承接layer7的输出；layer9为全连接层，承接layer8的输出，输出的神经元个数为4个。
优选地，本发明的基于样本分布改进的卷积神经网络的训练装置，a＝1，b＝0，结果输出模块中当基于样本分布改进的卷积神经网络模型的输出值大于0.5时，认为未知类型的心拍为室早心拍；输出值小于等于0.5时，认为未知类型的心拍为非室早心拍信号。
本发明的有益效果是：
本申请提供的基于样本分布改进的卷积神经网络的心拍类型识别方法和装置，通过先行计算心拍的平均值xavg，最大值xMAX，最小值xMIN，峰值xF，和峭度值xQ，是否符合条件，来判断生成基于样本分布改进的卷积神经网络模型中的训练用的心拍数据是否符合样本分布，当
Figure BDA0002595407670000081
Figure BDA0002595407670000082
Figure BDA0002595407670000083
中成立的个数小于3个时，则认为模型所使用的训练数据不符合样本分布，将训练数据中没有覆盖到的数据确定为“无法判断的类型”，以此减少心拍类型的误判。
附图说明
下面结合附图和实施例对本申请的技术方案进一步说明。
图1是本申请实施例的基于样本分布改进的卷积神经网络的心拍类型识别方法的流程图。
图2是本申请实施例的基于样本分布改进的卷积神经网络模型的结构示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本申请的技术方案。
实施例1
本实施例提供基于样本分布改进的卷积神经网络的心拍类型识别方法，如图1所示，包括以下步骤：
步骤S1：采集未知类型的12导联心电信号中的II导联心拍信号中的心拍，计算该心拍的平均值xavg，最大值xMAX，最小值xMIN，峰值xF，和峭度值xQ；
步骤S2：判断
Figure BDA0002595407670000091
Figure BDA0002595407670000092
Figure BDA0002595407670000093
中成立的个数；
步骤S3：如果步骤S2中有3个及以上成立则输入到基于样本分布改进的卷积神经网络模型来判断心拍类型，否则认为未知类型的心拍是“无法判断的类型”；
步骤S4：当基于样本分布改进的卷积神经网络模型的输出值接近a时，认为未知类型的心拍为室早心拍；输出值接近b时，认为未知类型的心拍为非室早心拍信号；
基于样本分布改进的卷积神经网络模型通过以下方法训练得到：
步骤S31：收集标记好的12导联心电信号中的II导联心拍信号充分多条形成训练数据，II导联心拍信号包括各占总数量一半的室早心拍信号和非室早心拍信号，将室早心拍信号的标签设置为a，非室早心拍信号的标签设置为b；
步骤S32：将训练数据及其对应的标签输入到卷积神经网络进行训练，得到样本分布改进的卷积神经网络模型；
步骤S2中的
Figure BDA0002595407670000094
σavg，
Figure BDA0002595407670000095
σMAX，
Figure BDA0002595407670000096
σMIN，
Figure BDA0002595407670000097
σF，
Figure BDA0002595407670000098
σQ的值通过以下方法得到：对收集到的训练数据中的所有心拍数据进行统计，统计出每个心拍数据的均值、最大值、最小值、峰值和峭度值分别形成均值数组AVG＝{a1,a2,a3…aN}、最大值数组MAX＝{m1,m2,m3…mN}、最小值数组MIN＝{c1,c2,…cN}、峰值数组F＝{f1,f2,…fN}和峭度值数组Q＝{q1,q2,…qN}，求取均值数组、最大值数组、最小值数组、峰值数组和峭度值数组的均值和均方差值分别记为
Figure BDA0002595407670000101
σavg，
Figure BDA0002595407670000102
σMAX，
Figure BDA0002595407670000103
σMIN，
Figure BDA0002595407670000104
σF，
Figure BDA0002595407670000105
σQ；
对每个训练数据中的所有心拍数据均进行以下判断：
Figure BDA0002595407670000106
Figure BDA0002595407670000107
Figure BDA0002595407670000108
获取其中成立的个数，将训练数据中小于3个成立条件的心拍数据剔除后形成新的训练数据，重复计算新的训练数据中每个心拍数据的均值、最大值、最小值、峰值和峭度值分别形成均值数组、最大值数组、最小值数组、峰值数组和峭度值数组，再次分别求取均值数组、最大值数组、最小值数组、峰值数组和峭度值数组的均值和均方差值，重复判断成立条件个数并剔除小于3个成立条件的心拍数据，直到训练数据不再发生改变。
也即训练数据中的所有心拍数据均至少成立3个以上条件(大于等于3)
Figure BDA0002595407670000109
Figure BDA00025954076700001010
Figure BDA00025954076700001011
步骤S1中以及训练时的II导联心拍信号的采样频率500Hz，并经过0.5-100Hz的巴特沃兹带通滤波器进行滤波，如果不是，则需要先将其重采样至500Hz。每个心拍信号为从R波波峰之前的0.38s到R波波峰之后0.5s之间的心电图信号。R波波峰的位置识别由现有技术很容易得到，这里不再赘述其具体获取方法，识别得到心电图信号中的R波波峰位置后，再根据R波波峰位置，以R波波峰之前的0.38s为开始、R波波峰之后0.5s为结束进行截断。
样本分布改进的卷积神经网络模型由10层网络即layer1-layer9和一个分类器组成；其中layer1-layer5均由一个卷积层和一个池化层组成，均使用LeakyReLU激活函数；layer1中卷积层包含32个核，卷积核大小均为7，layer1中池化层中的步长和核大小均为2；layer2的卷积层包含32个核，卷积核大小均为5，layer2中池化层中的步长和核大小均为2；layer3的卷积层包含32个核，卷积核大小均为3，layer3中池化层中的步长和核大小均为2；layer4的卷积层包含32个核，卷积核大小均为5，layer4中池化层中的步长和核大小均为2；layer5的卷积层包含32个核，卷积核大小均为5，layer5中池化层中的步长和核大小均为2；layer6的卷积层包含32个核，卷积核大小均为5；layer7为双向长短期记忆网络层的输入层神经元与layer6的输出特征个数一致，向前输出神经元为30个神经元，向后输出神经元为30个神经元，双向长短期记忆网络层共输出60个神经元；layer8为注意力机制层，承接layer7的输出；layer9为全连接层，承接layer8的输出，输出的神经元个数为4个。
a和b的值可以选择为a＝1，b＝0，步骤S4中当基于样本分布改进的卷积神经网络模型的输出值大于0.5时，认为未知类型的心拍为室早心拍；输出值小于等于0.5时，认为未知类型的心拍为非室早心拍信号。
实施例2
本实施例提供基于样本分布改进的卷积神经网络的心拍类型识别装置，包括：
信号收集模块：用于采集未知类型的12导联心电信号中的II导联心拍信号中的心拍，计算该心拍的平均值xavg，最大值xMAX，最小值xMIN，峰值xF，和峭度值xQ；
初步判断模块：用于判断
Figure BDA0002595407670000121
Figure BDA0002595407670000122
Figure BDA0002595407670000123
中成立的个数；
初筛选模块：如果初步判断模块有3个及以上成立则输入到基于样本分布改进的卷积神经网络模型来判断心拍类型，否则认为未知类型的心拍是“无法判断的类型”；
结果输出模块：当基于样本分布改进的卷积神经网络模型的输出值接近a时，认为未知类型的心拍为室早心拍；输出值接近b时，认为未知类型的心拍为非室早心拍信号；
基于样本分布改进的卷积神经网络模型通过以下方法训练得到：
训练集生成子模块：用于收集标记好的12导联心电信号中的II导联心拍信号充分多条形成训练数据，II导联心拍信号包括各占总数量一半的室早心拍信号和非室早心拍信号，将室早心拍信号的标签设置为a，非室早心拍信号的标签设置为b；
模型生成子模块：将训练数据及其对应的标签输入到卷积神经网络进行训练，得到样本分布改进的卷积神经网络模型；
初步判断模块中的
Figure BDA0002595407670000131
σavg，
Figure BDA0002595407670000132
σMAX，
Figure BDA0002595407670000133
σMIN，
Figure BDA0002595407670000134
σF，
Figure BDA0002595407670000135
σQ的值通过以下方法得到：对收集到的训练数据中的所有心拍数据进行统计，统计出每个心拍数据的均值、最大值、最小值、峰值和峭度值分别形成均值数组AVG＝{a1,a2,a3…aN}、最大值数组MAX＝{m1,m2,m3…mN}、最小值数组MIN＝{c1,c2,…cN}、峰值数组F＝{f1,f2,…fN}和峭度值数组Q＝{q1,q2,…qN}，求取均值数组、最大值数组、最小值数组、峰值数组和峭度值数组的均值和均方差值分别记为
Figure BDA0002595407670000136
σavg，
Figure BDA0002595407670000137
σMAX，
Figure BDA0002595407670000138
σMIN，
Figure BDA0002595407670000139
σF，
Figure BDA00025954076700001310
σQ；对每个训练数据中的所有心拍数据均进行以下判断：
Figure BDA00025954076700001311
Figure BDA00025954076700001312
Figure BDA00025954076700001313
获取其中成立的个数，将训练数据中小于3个成立条件的心拍数据剔除后形成新的训练数据，重复计算新的训练数据中每个心拍数据的均值、最大值、最小值、峰值和峭度值分别形成均值数组、最大值数组、最小值数组、峰值数组和峭度值数组，再次分别求取均值数组、最大值数组、最小值数组、峰值数组和峭度值数组的均值和均方差值，重复判断成立条件个数并剔除小于3个成立条件的心拍数据，直到训练数据不再发生改变。
II导联心拍信号的采样频率500Hz，并经过0.5-100Hz的巴特沃兹带通滤波器进行滤波。
每个心拍信号为从R波波峰之前的0.38s到R波波峰之后0.5s之间的心电图信号。
样本分布改进的卷积神经网络模型由10层网络即layer1-layer9和一个分类器组成；其中layer1-layer5均由一个卷积层和一个池化层组成，均使用LeakyReLU激活函数；layer1中卷积层包含32个核，卷积核大小均为7，layer1中池化层中的步长和核大小均为2；layer2的卷积层包含32个核，卷积核大小均为5，layer2中池化层中的步长和核大小均为2；layer3的卷积层包含32个核，卷积核大小均为3，layer3中池化层中的步长和核大小均为2；layer4的卷积层包含32个核，卷积核大小均为5，layer4中池化层中的步长和核大小均为2；layer5的卷积层包含32个核，卷积核大小均为5，layer5中池化层中的步长和核大小均为2；layer6的卷积层包含32个核，卷积核大小均为5；layer7为双向长短期记忆网络层的输入层神经元与layer6的输出特征个数一致，向前输出神经元为30个神经元，向后输出神经元为30个神经元，双向长短期记忆网络层共输出60个神经元；layer8为注意力机制层，承接layer7的输出；layer9为全连接层，承接layer8的输出，输出的神经元个数为4个。
a和b的值可以选择为a＝1，b＝0，结果输出模块中当基于样本分布改进的卷积神经网络模型的输出值大于0.5时，认为未知类型的心拍为室早心拍；输出值小于等于0.5时，认为未知类型的心拍为非室早心拍信号。
以上述依据本申请的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项申请技术思想的范围内，进行多样的变更以及修改。本项申请的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

Claims (10)

1.一种基于样本分布改进的卷积神经网络的心拍类型识别方法，其特征在于，包括以下步骤：
步骤S1：采集未知类型的12导联心电信号中的II导联心拍信号中的心拍，计算该心拍的平均值xavg，最大值xMAX，最小值xMIN，峰值xF，和峭度值xQ；
步骤S2：判断
Figure FDA0002595407660000011
Figure FDA0002595407660000012
Figure FDA0002595407660000013
中成立的个数；
步骤S3：如果步骤S2中有3个及以上成立则输入到基于样本分布改进的卷积神经网络模型来判断心拍类型，否则认为未知类型的心拍是“无法判断的类型”；
步骤S4：当基于样本分布改进的卷积神经网络模型的输出值接近a时，认为未知类型的心拍为室早心拍；输出值接近b时，认为未知类型的心拍为非室早心拍信号；
基于样本分布改进的卷积神经网络模型通过以下方法训练得到：
步骤S31：收集标记好的12导联心电信号中的II导联心拍信号充分多条形成训练数据，II导联心拍信号包括各占总数量一半的室早心拍信号和非室早心拍信号，将室早心拍信号的标签设置为a，非室早心拍信号的标签设置为b；
步骤S32：将训练数据及其对应的标签输入到卷积神经网络进行训练，得到样本分布改进的卷积神经网络模型；
步骤S2中的
Figure FDA0002595407660000014
σavg，
Figure FDA0002595407660000015
σMAX，
Figure FDA0002595407660000016
σMIN，
Figure FDA0002595407660000017
σF，
Figure FDA0002595407660000021
σQ的值通过以下方法得到：对收集到的训练数据中的所有心拍数据进行统计，统计出每个心拍数据的均值、最大值、最小值、峰值和峭度值分别形成均值数组AVG＝{a1,a2,a3…aN}、最大值数组MAX＝{m1,m2,m3…mN}、最小值数组MIN＝{c1,c2,…cN}、峰值数组F＝{f1,f2,…fN}和峭度值数组Q＝{q1,q2,…qN}，求取均值数组、最大值数组、最小值数组、峰值数组和峭度值数组的均值和均方差值分别记为
Figure FDA0002595407660000022
σavg，
Figure FDA0002595407660000023
σMAX，
Figure FDA0002595407660000024
σMIN，
Figure FDA0002595407660000025
σF，
Figure FDA0002595407660000026
σQ；
对每个训练数据中的所有心拍数据均进行以下判断：
Figure FDA0002595407660000027
Figure FDA0002595407660000028
Figure FDA0002595407660000029
获取其中成立的个数，将训练数据中小于3个成立条件的心拍数据剔除后形成新的训练数据，重复计算新的训练数据中每个心拍数据的均值、最大值、最小值、峰值和峭度值分别形成均值数组、最大值数组、最小值数组、峰值数组和峭度值数组，再次分别求取均值数组、最大值数组、最小值数组、峰值数组和峭度值数组的均值和均方差值，重复判断成立条件个数并剔除小于3个成立条件的心拍数据，直到训练数据不再发生改变。
2.根据权利要求1所述的基于样本分布改进的卷积神经网络的训练方法，其特征在于，II导联心拍信号的采样频率500Hz，并经过0.5-100Hz的巴特沃兹带通滤波器进行滤波。
3.根据权利要求1或2所述的基于样本分布改进的卷积神经网络的训练方法，其特征在于，每个心拍信号为从R波波峰之前的0.38s到R波波峰之后0.5s之间的心电图信号。
4.根据权利要求1或2所述的基于样本分布改进的卷积神经网络的训练方法，其特征在于，样本分布改进的卷积神经网络模型由10层网络即layer1-layer9和一个分类器组成；其中layer1-layer5均由一个卷积层和一个池化层组成，均使用LeakyReLU激活函数；layer1中卷积层包含32个核，卷积核大小均为7，layer1中池化层中的步长和核大小均为2；layer2的卷积层包含32个核，卷积核大小均为5，layer2中池化层中的步长和核大小均为2；layer3的卷积层包含32个核，卷积核大小均为3，layer3中池化层中的步长和核大小均为2；layer4的卷积层包含32个核，卷积核大小均为5，layer4中池化层中的步长和核大小均为2；layer5的卷积层包含32个核，卷积核大小均为5，layer5中池化层中的步长和核大小均为2；layer6的卷积层包含32个核，卷积核大小均为5；layer7为双向长短期记忆网络层的输入层神经元与layer6的输出特征个数一致，向前输出神经元为30个神经元，向后输出神经元为30个神经元，双向长短期记忆网络层共输出60个神经元；layer8为注意力机制层，承接layer7的输出；layer9为全连接层，承接layer8的输出，输出的神经元个数为4个。
5.根据权利要求1-3任一项所述的基于样本分布改进的卷积神经网络的训练方法，其特征在于，a＝1，b＝0，步骤S4中当基于样本分布改进的卷积神经网络模型的输出值大于0.5时，认为未知类型的心拍为室早心拍；输出值小于等于0.5时，认为未知类型的心拍为非室早心拍信号。
6.一种基于样本分布改进的卷积神经网络的心拍类型识别装置，其特征在于，包括：
信号收集模块：用于采集未知类型的12导联心电信号中的II导联心拍信号中的心拍，计算该心拍的平均值xavg，最大值xMAX，最小值xMIN，峰值xF，和峭度值xQ；
初步判断模块：用于判断
Figure FDA0002595407660000041
Figure FDA0002595407660000042
Figure FDA0002595407660000043
中成立的个数；
初筛选模块：如果初步判断模块中有3个及以上成立则输入到基于样本分布改进的卷积神经网络模型来判断心拍类型，否则认为未知类型的心拍是“无法判断的类型”；
结果输出模块：当基于样本分布改进的卷积神经网络模型的输出值接近a时，认为未知类型的心拍为室早心拍；输出值接近b时，认为未知类型的心拍为非室早心拍信号；
基于样本分布改进的卷积神经网络模型通过以下方法训练得到：
训练集生成子模块：用于收集标记好的12导联心电信号中的II导联心拍信号充分多条形成训练数据，II导联心拍信号包括各占总数量一半的室早心拍信号和非室早心拍信号，将室早心拍信号的标签设置为a，非室早心拍信号的标签设置为b；
模型生成子模块：将训练数据及其对应的标签输入到卷积神经网络进行训练，得到样本分布改进的卷积神经网络模型；
初步判断模块中的
Figure FDA0002595407660000044
σavg，
Figure FDA0002595407660000045
σMAX，
Figure FDA0002595407660000046
σMIN，
Figure FDA0002595407660000047
σF，
Figure FDA0002595407660000051
σQ的值通过以下方法得到：对收集到的训练数据中的所有心拍数据进行统计，统计出每个心拍数据的均值、最大值、最小值、峰值和峭度值分别形成均值数组AVG＝{a1,a2,a3…aN}、最大值数组MAX＝{m1,m2,m3…mN}、最小值数组MIN＝{c1,c2,…cN}、峰值数组F＝{f1,f2,…fN}和峭度值数组Q＝{q1,q2,…qN}，求取均值数组、最大值数组、最小值数组、峰值数组和峭度值数组的均值和均方差值分别记为
Figure FDA0002595407660000052
σavg，
Figure FDA0002595407660000053
σMAX，
Figure FDA0002595407660000054
σMIN，
Figure FDA0002595407660000055
σF，
Figure FDA0002595407660000056
σQ；对每个训练数据中的所有心拍数据均进行以下判断：
Figure FDA0002595407660000057
Figure FDA0002595407660000058
Figure FDA0002595407660000059
获取其中成立的个数，将训练数据中小于3个成立条件的心拍数据剔除后形成新的训练数据，重复计算新的训练数据中每个心拍数据的均值、最大值、最小值、峰值和峭度值分别形成均值数组、最大值数组、最小值数组、峰值数组和峭度值数组，再次分别求取均值数组、最大值数组、最小值数组、峰值数组和峭度值数组的均值和均方差值，重复判断成立条件个数并剔除小于3个成立条件的心拍数据，直到训练数据不再发生改变。
7.根据权利要求6所述的基于样本分布改进的卷积神经网络的训练装置，其特征在于，II导联心拍信号的采样频率500Hz，并经过0.5-100Hz的巴特沃兹带通滤波器进行滤波。
8.根据权利要求6或7所述的基于样本分布改进的卷积神经网络的训练装置，其特征在于，每个心拍信号为从R波波峰之前的0.38s到R波波峰之后0.5s之间的心电图信号。
9.根据权利要求6或7所述的基于样本分布改进的卷积神经网络的训练装置，其特征在于，样本分布改进的卷积神经网络模型由10层网络即layer1-layer9和一个分类器组成；其中layer1-layer5均由一个卷积层和一个池化层组成，均使用LeakyReLU激活函数；layer1中卷积层包含32个核，卷积核大小均为7，layer1中池化层中的步长和核大小均为2；layer2的卷积层包含32个核，卷积核大小均为5，layer2中池化层中的步长和核大小均为2；layer3的卷积层包含32个核，卷积核大小均为3，layer3中池化层中的步长和核大小均为2；layer4的卷积层包含32个核，卷积核大小均为5，layer4中池化层中的步长和核大小均为2；layer5的卷积层包含32个核，卷积核大小均为5，layer5中池化层中的步长和核大小均为2；layer6的卷积层包含32个核，卷积核大小均为5；layer7为双向长短期记忆网络层的输入层神经元与layer6的输出特征个数一致，向前输出神经元为30个神经元，向后输出神经元为30个神经元，双向长短期记忆网络层共输出60个神经元；layer8为注意力机制层，承接layer7的输出；layer9为全连接层，承接layer8的输出，输出的神经元个数为4个。
10.根据权利要求6-9任一项所述的基于样本分布改进的卷积神经网络的训练装置，其特征在于，a＝1，b＝0，结果输出模块中当基于样本分布改进的卷积神经网络模型的输出值大于0.5时，认为未知类型的心拍为室早心拍；输出值小于等于0.5时，认为未知类型的心拍为非室早心拍信号。
CN202010708018.2A 2020-07-22 2020-07-22 基于卷积神经网络的心拍类型识别方法和装置 Active CN111956201B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010708018.2A CN111956201B (zh) 2020-07-22 2020-07-22 基于卷积神经网络的心拍类型识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010708018.2A CN111956201B (zh) 2020-07-22 2020-07-22 基于卷积神经网络的心拍类型识别方法和装置

Publications (2)

Publication Number Publication Date
CN111956201A true CN111956201A (zh) 2020-11-20
CN111956201B CN111956201B (zh) 2022-09-06

Family

ID=73364137

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010708018.2A Active CN111956201B (zh) 2020-07-22 2020-07-22 基于卷积神经网络的心拍类型识别方法和装置

Country Status (1)

Country Link
CN (1) CN111956201B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105899268A (zh) * 2015-06-23 2016-08-24 中国科学院深圳先进技术研究院 基于gpu的并行心电信号分析方法
CN107822622A (zh) * 2017-09-22 2018-03-23 成都比特律动科技有限责任公司 基于深度卷积神经网络的心电图诊断方法和系统
CN109480825A (zh) * 2018-12-13 2019-03-19 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
CN109620207A (zh) * 2018-12-26 2019-04-16 上海数创医疗科技有限公司 基于改进卷积神经网络的室性早搏心跳识别方法及装置
CN110037686A (zh) * 2019-04-09 2019-07-23 上海数创医疗科技有限公司 用于室早心跳定位的神经网络训练方法及卷积神经网络
CN110037687A (zh) * 2019-04-09 2019-07-23 上海数创医疗科技有限公司 基于改进卷积神经网络的室性早搏心跳定位方法和装置
US20200050937A1 (en) * 2017-04-27 2020-02-13 Nippon Telegraph And Telephone Corporation Learning-type signal separation method and learning-type signal separation device
US20200260980A1 (en) * 2017-11-27 2020-08-20 Lepu Medical Technology (Bejing) Co., Ltd. Method and device for self-learning dynamic electrocardiography analysis employing artificial intelligence
CN111956202B (zh) * 2020-07-22 2021-09-03 上海数创医疗科技有限公司 基于样本分布改进的卷积神经网络的训练方法及模型

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105899268A (zh) * 2015-06-23 2016-08-24 中国科学院深圳先进技术研究院 基于gpu的并行心电信号分析方法
US20200050937A1 (en) * 2017-04-27 2020-02-13 Nippon Telegraph And Telephone Corporation Learning-type signal separation method and learning-type signal separation device
CN107822622A (zh) * 2017-09-22 2018-03-23 成都比特律动科技有限责任公司 基于深度卷积神经网络的心电图诊断方法和系统
US20200260980A1 (en) * 2017-11-27 2020-08-20 Lepu Medical Technology (Bejing) Co., Ltd. Method and device for self-learning dynamic electrocardiography analysis employing artificial intelligence
CN109480825A (zh) * 2018-12-13 2019-03-19 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
CN109620207A (zh) * 2018-12-26 2019-04-16 上海数创医疗科技有限公司 基于改进卷积神经网络的室性早搏心跳识别方法及装置
CN110037686A (zh) * 2019-04-09 2019-07-23 上海数创医疗科技有限公司 用于室早心跳定位的神经网络训练方法及卷积神经网络
CN110037687A (zh) * 2019-04-09 2019-07-23 上海数创医疗科技有限公司 基于改进卷积神经网络的室性早搏心跳定位方法和装置
CN111956202B (zh) * 2020-07-22 2021-09-03 上海数创医疗科技有限公司 基于样本分布改进的卷积神经网络的训练方法及模型
WO2022016638A1 (zh) * 2020-07-22 2022-01-27 上海数创医疗科技有限公司 基于样本分布改进的卷积神经网络的训练方法及模型

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周飞燕等: "基于集成学习的室性早博识别方法", 《电子学报》 *
庞彦伟等: "基于卷积神经网络的第一导联心电图心拍分类", 《天津大学学报(自然科学与工程技术版)》 *

Also Published As

Publication number Publication date
CN111956201B (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
WO2021057328A1 (zh) 基于特征选取的st段分类卷积神经网络及其使用方法
CN110236520B (zh) 基于双卷积神经网络的心电图类型识别装置
WO2020006939A1 (zh) 基于生成式对抗网络的心电图生成及分类方法
CN110717416B (zh) 基于特征选取的st段分类识别用神经网络训练方法
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
CN110367968B (zh) 一种右束支阻滞检测方法、装置、设备及存储介质
Vijaya et al. Arrhythmia detection through ECG feature extraction using wavelet analysis
CN111626114A (zh) 基于卷积神经网络的心电信号心律失常分类系统
CN111956202B (zh) 基于样本分布改进的卷积神经网络的训练方法及模型
CN108968941A (zh) 一种心律失常检测方法、装置及终端
Kumari et al. Heart rhythm abnormality detection and classification using machine learning technique
Niwas et al. Artificial neural network based automatic cardiac abnormalities classification
Wu et al. A novel features learning method for ECG arrhythmias using deep belief networks
CN109124620A (zh) 一种房颤检测方法、装置及设备
CN113384277A (zh) 心电数据的分类方法及分类系统
Besrour et al. ECG beat classifier using support vector machine
Shukri et al. Investigation on Elman neural network for detection of cardiomyopathy
Mohamad et al. Principal component analysis and arrhythmia recognition using elman neural network
CN111956201B (zh) 基于卷积神经网络的心拍类型识别方法和装置
CN110811608A (zh) 一种基于ecg信号的房颤监测方法
CN112603324B (zh) 基于改进损失函数的神经网络的训练方法
CN111084621B (zh) 基于深度自编码器的qrs波群形态识别方法和装置
Hu et al. Deep multi-instance networks for bundle branch block detection from multi-lead ECG
CN115607167A (zh) 一种轻量化的模型训练方法、房颤检测方法、装置及系统
CN111449647B (zh) 一种心电图识别方法、装置、存储介质及电子设备

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