CN112472101A - 基于转换技术的深度学习心电图数据分类方法及装置 - Google Patents
基于转换技术的深度学习心电图数据分类方法及装置 Download PDFInfo
- Publication number
- CN112472101A CN112472101A CN202011108233.5A CN202011108233A CN112472101A CN 112472101 A CN112472101 A CN 112472101A CN 202011108233 A CN202011108233 A CN 202011108233A CN 112472101 A CN112472101 A CN 112472101A
- Authority
- CN
- China
- Prior art keywords
- data
- deep learning
- training
- electrocardiogram
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 13
- 238000005516 engineering process Methods 0.000 title claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 230000000747 cardiac effect Effects 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012795 verification Methods 0.000 claims abstract description 13
- 238000013136 deep learning model Methods 0.000 claims abstract description 7
- 230000009466 transformation Effects 0.000 claims abstract description 6
- 238000010276 construction Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 4
- 208000019622 heart disease Diseases 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 7
- 230000007246 mechanism Effects 0.000 abstract description 5
- 238000000718 qrs complex Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000638 solvent extraction Methods 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- 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)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明属于医疗数据处理技术领域,尤其是涉及一种基于转换技术的深度学习心电图数据分类方法及装置。一种基于转换技术的深度学习心电图数据分类方法,包括以下步骤:S1、数据采集和数据预处理,采集包含多个心动周期的心电序列数据,并对心电序列数据进行预处理;S2、划分心动周期,对步骤S1所得的心电序列数据利用小波变换进行划分,对训练集、验证集和测试集的数据进行数据预处理处理;S3、进行深度学习模型构建,在步骤S2所得的训练集上进行模型训练,在验证集中进行验证并选择超参数,最终在测试集上进行模型测试,以得到验证结果。本发明提供了一种准确性高、基于注意力机制、基于转换技术的深度学习心电图数据分类方法及装置。
Description
技术领域
本发明属于医疗数据处理技术领域,尤其是涉及一种基于转换技术的深度学习心电图数据分类方法及装置。
背景技术
心电图波形数据采集进行心电图分类往往是医生诊断心脏类疾病的重要辅助手段。通常心电图波形数据的采集是在医院或体检中心进行的,存在检测不便,检测频率低等特点,由于医生的人工标注的速度较慢,不能及时的把心电图分类结果告知病患,缺乏实时性和便利性。近年来,随着移动用户端设备的普及和深度学习为代表的神经人工智能算法的发展,利用人工智能算法进行实时心电检测成为了可能。同时,由于心电图各种波形之间存在着复杂的联合关系,且掺杂着大量的噪声数据,因此使用传统方法的准确率不如使用深度学习的方法。
目前大多数基于数据挖掘和人工智能的算法都是利用聚类和逻辑回归算法,这些算法不具有数据敏感性,不能根据数据的特点进行对应的特征提取。
发明内容
本发明所要解决的技术问题是提供一种准确性高、基于注意力机制、基于转换技术的深度学习心电图数据分类方法及装置。为此,本发明采用以下技术方案:
一种基于转换技术的深度学习心电图数据分类方法,包括以下步骤:
S1、数据采集和数据预处理,
采集包含多个心动周期的心电序列数据,并对心电序列数据进行预处理;
S2、划分心动周期,
对步骤S1所得的心电序列数据利用小波变换进行划分,并依据7:2:1的比例对判断标注的心电序列数据进行训练集、测试集和验证集的划分,对训练集、验证集和测试集的数据进行数据预处理处理;
S3、进行深度学习模型构建,
在步骤S2所得的训练集上进行模型训练,在验证集中进行验证并选择超参数,最终在测试集上进行模型测试,以得到验证结果。
在采用上述技术方案的基础上,本发明还可采用以下进一步的技术方案:
所述步骤S1还包括将心电序列数据按照55个分类进行判断标注,所述55个分类分别对应55种心脏疾病。
所述步骤S2中的训练集用于模型的训练,所述测试集用于超参数的选择,所述验证集用于模型鲁棒性的测试。
所述分类方法还包括:步骤S4、进行深度学习模型训练,利用cross-entropy函数引导模型训练,直至模型收敛。
cross-entropy即交叉熵,是Shannon信息论中一个重要概念,主要用于度量两个概率分布间的差异性信息。
进一步地,本发明同时还提供以下技术方案:
基于转换技术的深度学习心电图数据分类装置,包括:
存储器,用于存储计算机的可执行指令、和在执行所述可执行指令时使用或产生的数据;
处理器,用于执行存储器存储的计算机可执行指令,与所述存储器通信连接;
所述分类装置用于实现上述的方法。
与现有技术相比,本发明具有以下有益效果:
本发明采用注意力机制,在心电数据分类的过程中,自动提取并聚焦于心电图数据中的关键点,进行心电数据分类。通过对12导联的心电图数据进行处理,并融合处理附加信息,通过深度学习方法计算之间的相关性,对心电数据进行分类。同时,本发明的框架基于深度学习算法,将心电数据划分为多个心动周期,计算每个心动周期和附加信息之间的相关性,利用注意力机制分析心电数据中的重要数据,进行心电分类。
附图说明
图1为本发明基于转换技术的深度学习心电图数据分类方法及装置的模型训练流程图。
图2为本发明基于转换技术的深度学习心电图数据分类方法及装置的注意力头结构图。
图3为本发明基于转换技术的深度学习心电图数据分类方法及装置的transformer模型结构图。
具体实施方式
为了进一步理解本发明,下面结合具体实施方式对本发明提供的基于转换技术的深度学习心电图数据分类方法及装置进行具体描述,但本发明并不限于此,该领域技术人员在本发明核心指导思想下做出的非本质改进和调整,仍然属于本发明的保护范围。
步骤一:数据采集与数据预处理
数据来源:本发明基于包含多个心动周期,观察记录时长较长的心电序列数据。通过心电设备采集并计算获得12导联心电数据。我们利用常见的心电数据处理方式,将12导联数据串联成一维数据E。同时,获得一维的附加信息I,包括体重、身高、年龄、性别等。
数据预处理:利用zscore方法对E和I分别进行预处理,其中zscore的公式为:
步骤二:利用小波变换划分心动周期
心动周期的划分先进行心电信号的QRS波群的检测(信号强度大,特征明显),再检测P、T波。
使用二次样条函数作为小波基,对心电信号数据做二进离散小波变换。心电信号经小波变换之后,其主要能量分布在前5个尺度的子信号带上。QRS波群所产生的模极大值在23和24尺度上表现最为明显,故在这两个尺度上面检测QRS波群。在这两个尺度中,分别采用正阈值S1和负阈值S2检测小波模极大值-极小值对,再定位正极大值-负极小值对之间的过零点位置,用时移进行修正,得到校正后的R波峰值点位置。确定R波峰值点位置后,在21和22子信号带上检测QRS波群的起止点。至此,检测出QRS波群。
P、T波的能量主要集中在尺度24和25子信号带上,但是基线漂移、伪迹等早证在25尺度上比较严重,故选择在尺度24上检测P、T波。先检测T波,因为在生理学生T波产生于QRS波群之后,并且绝大多数T波是相对其定点近似对称,故检测24尺度上的模极大值对之间的过零点即为T波波峰,而T波的起点和终点对应于模极大值对的起点和终点。P波类似,生理学上是先产生P波再形成QRS波群,故以R波波峰点为基准,在其前一段时间窗口内在24尺度上找出相应的模极值点对,此模极值点对之间的过零点以及模极大值对所对应波形的起点和终点,进行相应的时移修正之后就可以得到P波的波峰、起点和终点。
至此,得到P、QRS、T三个波段的波峰、起点和终点。利用P波起点和T波终点,确定一个心动周期,将数据列E划分为若干个Et,上标t标注心动周期的顺序。
步骤三:进行深度学习模型构建
以往的模型都是以CNN和RNN为基础的,这些模型是直接整个序列进行计算,忽略了数据中的关键点,遗忘了数据中的关键信息。传统的数据分析方法和医学研究表明,心电数据中包含大量的噪声,且数据中的部分关键点包含了其中的绝大多数信息。因此,本发明利用transformer的注意力机制进行心电图分类的研究。
如图2所示,利用注意力模块进行注意力矩阵的计算:
其中,We,Wi和WE分别对应三个全连接学习层。同之前的transformer不同,我们去掉了数据位置建模,这是由于单个心动周期中统一特点的数据波出现的顺序是相同的,因此刻意建模顺序位置关系在本模型中就不再需要。
在本发明中transformer的编码层和解码层各有2个,每个编码层包括一个注意力模块和一个全连接模块,而解码层包括两个注意力头和一个普通的计算模块。普通计算模块如下公式所示:
FFN(x)=max(0,xW1+b1)W2+b2
残差连接用于每个注意力层和全连接中。通过如图3中transformer结构计算,每个Et获得一个输出Ot。对于Ot序列,按顺序排列后送入多层感知机中进行分类,得到分类结果。其中,transformer和多层感知机可以进行端到端训练,对于每个心动周期的数据可以采用并行计算处理,加速过程。
步骤四:进行深度学习模型训练
同其他分类任务相同,本分类任务利用cross-entropy函数引导模型训练,直至模型收敛。
虽然本发明已通过参考优选的实施例进行了图示和描述,但是,本专业普通技术人员应当了解,在权利要求书的范围内,可作形式和细节上的各种各样变化。
Claims (6)
1.一种基于转换技术的深度学习心电图数据分类方法,其特征在于包括以下步骤:
S1、数据采集和数据预处理,
采集包含多个心动周期的心电序列数据,并对心电序列数据进行预处理;
S2、划分心动周期,
对步骤S1所得的心电序列数据利用小波变换进行划分,并依据7:2:1的比例对判断标注的心电序列数据进行训练集、测试集和验证集的划分,对训练集、验证集和测试集的数据进行数据预处理处理;
S3、进行深度学习模型构建,
在步骤S2所得的训练集上进行模型训练,在验证集中进行验证并选择超参数,最终在测试集上进行模型测试,以得到验证结果。
2.根据权利要求1所述的一种基于转换技术的深度学习心电图数据分类方法,其特征在于所述步骤S1还包括将心电序列数据按照55个分类进行判断标注,所述55个分类分别对应55种心脏疾病。
3.根据权利要求1所述的一种基于转换技术的深度学习心电图数据分类方法,其特征在于所述步骤S1中的预处理采用z-score方法进行归一化处理,所述归一化处理后的输出数据在0-1之间。
4.根据权利要求1所述的一种基于转换技术的深度学习心电图数据分类方法,其特征在于所述步骤S2中的训练集用于模型的训练,所述测试集用于超参数的选择,所述验证集用于模型鲁棒性的测试。
5.根据权利要求1所述的一种基于转换技术的深度学习心电图数据分类方法,其特征在于所述分类方法还包括:步骤S4、进行深度学习模型训练,利用cross-entropy函数引导模型训练,直至模型收敛。
6.一种基于转换技术的深度学习心电图数据分类装置,包括:存储器,用于存储计算机的可执行指令、和在执行所述可执行指令时使用或产生的数据,处理器,用于执行存储器存储的计算机可执行指令,与所述存储器通信连接,其特征在于所述分类装置用于实现如权利要求1-3中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011108233.5A CN112472101A (zh) | 2020-10-16 | 2020-10-16 | 基于转换技术的深度学习心电图数据分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011108233.5A CN112472101A (zh) | 2020-10-16 | 2020-10-16 | 基于转换技术的深度学习心电图数据分类方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112472101A true CN112472101A (zh) | 2021-03-12 |
Family
ID=74926521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011108233.5A Pending CN112472101A (zh) | 2020-10-16 | 2020-10-16 | 基于转换技术的深度学习心电图数据分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112472101A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113012823A (zh) * | 2021-03-30 | 2021-06-22 | 海口讯婕城医疗科技有限公司 | 一种用于心电图机的云平台系统 |
CN113303807A (zh) * | 2021-05-18 | 2021-08-27 | 浙江大学 | 一种心电数据生成方法 |
CN113901893A (zh) * | 2021-09-22 | 2022-01-07 | 西安交通大学 | 基于多重级联深度神经网络的心电信号的识别与分类方法 |
CN115392482A (zh) * | 2022-08-25 | 2022-11-25 | 上海人工智能创新中心 | 一种深度学习模型的选择方法、装置及设备 |
-
2020
- 2020-10-16 CN CN202011108233.5A patent/CN112472101A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113012823A (zh) * | 2021-03-30 | 2021-06-22 | 海口讯婕城医疗科技有限公司 | 一种用于心电图机的云平台系统 |
CN113303807A (zh) * | 2021-05-18 | 2021-08-27 | 浙江大学 | 一种心电数据生成方法 |
CN113303807B (zh) * | 2021-05-18 | 2022-06-14 | 浙江大学 | 一种心电数据生成方法 |
CN113901893A (zh) * | 2021-09-22 | 2022-01-07 | 西安交通大学 | 基于多重级联深度神经网络的心电信号的识别与分类方法 |
CN113901893B (zh) * | 2021-09-22 | 2023-09-15 | 西安交通大学 | 基于多重级联深度神经网络的心电信号的识别与分类方法 |
CN115392482A (zh) * | 2022-08-25 | 2022-11-25 | 上海人工智能创新中心 | 一种深度学习模型的选择方法、装置及设备 |
CN115392482B (zh) * | 2022-08-25 | 2024-06-28 | 上海人工智能创新中心 | 一种深度学习模型的选择方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112472101A (zh) | 基于转换技术的深度学习心电图数据分类方法及装置 | |
Acharya et al. | Deep neural network for respiratory sound classification in wearable devices enabled by patient specific model tuning | |
CN107837082A (zh) | 基于人工智能自学习的心电图自动分析方法和装置 | |
Raghavendra et al. | Cardiac arrhythmia detection using dynamic time warping of ECG beats in e-healthcare systems | |
CN112971839B (zh) | 一种基于前馈卷积神经网络的心音分类方法 | |
CN112826513B (zh) | 一种基于深度学习和特异性矫正在fecg上胎儿心率检测系统 | |
CN110731773A (zh) | 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 | |
Singh et al. | Short unsegmented PCG classification based on ensemble classifier | |
CN116503673B (zh) | 一种基于心电图的心律失常识别检测方法及系统 | |
CN111053552B (zh) | 一种基于深度学习的qrs波检测方法 | |
CN113116300A (zh) | 一种基于模型融合的生理信号分类方法 | |
CN116369933A (zh) | 一种基于轻量卷积神经网络和Transformer融合的心律失常检测方法 | |
CN115530788A (zh) | 基于自注意力机制的心律失常分类方法 | |
Bourouhou et al. | Heart sound signals segmentation and multiclass classification | |
Liu et al. | A novel P-QRS-T wave localization method in ECG signals based on hybrid neural networks | |
Liu et al. | Motion artifact detection in ppg signals based on gramian angular field and 2-d-cnn | |
US20230181120A1 (en) | System and method for testing for sars-cov-2/covid-19 based on wearable medical sensors and neural networks | |
Kaushal et al. | Spectrogram image textural descriptors for lung sound classification | |
Liu et al. | Respiratory sounds feature learning with deep convolutional neural networks | |
Sivanjaneyulu et al. | Cnn based ppg signal quality assessment using raw ppg signal for energy-efficient ppg analysis devices in internet of medical things | |
CN112686091B (zh) | 基于深度神经网络的两步骤心律失常分类方法 | |
Surapaneni et al. | Graph Signal Processing Based Classification of Noisy and Clean PPG Signals Using Machine Learning Classifiers for Intelligent Health Monitor | |
Chen et al. | Automatic Onsets and Systolic Peaks Detection and Segmentation of Arterial Blood Pressure Waveforms using Fully Convolutional Neural Networks | |
Yin et al. | An algorithm for locating pvc and spb in wearable ecgs | |
CN110916646A (zh) | 一种基于faster-rcnn的qrs波检测方法 |
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 |
Application publication date: 20210312 |
|
RJ01 | Rejection of invention patent application after publication |