CN112617849A - 一种基于cnn+lstm的心房颤动检测与分类方法 - Google Patents

一种基于cnn+lstm的心房颤动检测与分类方法 Download PDF

Info

Publication number
CN112617849A
CN112617849A CN202011630964.6A CN202011630964A CN112617849A CN 112617849 A CN112617849 A CN 112617849A CN 202011630964 A CN202011630964 A CN 202011630964A CN 112617849 A CN112617849 A CN 112617849A
Authority
CN
China
Prior art keywords
model
data
cnn
lstm
time
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
Application number
CN202011630964.6A
Other languages
English (en)
Inventor
潘晓光
张海轩
刘剑超
陈智娇
白丽霞
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.)
Shanxi Sanyouhe Smart Information Technology Co Ltd
Original Assignee
Shanxi Sanyouhe Smart Information 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 Shanxi Sanyouhe Smart Information Technology Co Ltd filed Critical Shanxi Sanyouhe Smart Information Technology Co Ltd
Priority to CN202011630964.6A priority Critical patent/CN112617849A/zh
Publication of CN112617849A publication Critical patent/CN112617849A/zh
Pending legal-status Critical Current

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
    • A61B5/7235—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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

本发明属于心脏健康检测领域，特别涉及一种基于CNN+LSTM的心房颤动检测与分类方法，包括下列步骤：数据采集：获取多通道心电信号，对其类别进行标注，构建模型训练所需数据集；数据预处理：对数据进行优化处理；QRS检测：对心电信号中的R峰值进行检测和标注；数据分割：将心电信号分割；模型训练；模型保存：当模型的损失函数不再降低之后，保存模型。本发明通过使用一维卷积神经网络CNN从心电信号中提取特征，将比传统的手工编码特征表现得更好，在标记信号和分类任务方面更高效，具有更高的可转移性和准确性，长短期记忆LSTM时间特征提取对于时间序列数据的分类和预测具有强大的功能，可以捕获更重要的成分，有效检测心脏健康。本发明用于心房颤动的检测与分类。

Description

一种基于CNN+LSTM的心房颤动检测与分类方法
技术领域
本发明属于心脏健康检测领域，特别涉及一种基于CNN+LSTM的心房颤动检测与分类方法。
背景技术
目前有效监测亚健康问题的需求迅速增加。心脏病是当今死亡的主要原因。基于实时心跳远程监测心脏健康的可能性之一就是检测心脏健康。心电图仪是定义、检测和诊断心律失常的一种简便、有效的方法。在医学上，心律失常的特征是心律不遵循正常的窦型模式。异常心律失常有12种主要类型。心房颤动是以心脏快速不规则跳动为特征的最重要的异常心律之一。利用心律失常的自动检测可以显著帮助患者获得紧急治疗，避免进一步的麻烦。但是对于这类任务，从长期生理活动中准确标记不同类型的心跳是极其困难和耗时的。
传统的基于信号处理的心律不齐分类方法利用频域分析对不同类型心脏进行区分。此外，一些实时的现代滤波方法，如维纳滤波，以显示时域分析，包括瞬时频率，谱熵等。然而，手动提取这些特征从原始心电信号需要时间，并根据不同的主题的差异，使分类程序难以标准化。
发明内容
针对上述手动提取特征从原始心电信号需要时间、并根据不同的主题的差异使分类程序难以标准化的技术问题，本发明提供了一种标记和分类效果好、准确率高、效率高的种基于CNN+LSTM的心房颤动检测与分类方法。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于CNN+LSTM的心房颤动检测与分类方法，包括下列步骤：
S1、数据采集：获取多通道心电信号，对其类别进行标注，构建模型训练所需数据集；
S2、数据预处理：对数据进行优化处理；
S3、QRS检测：对心电信号中的R峰值进行检测和标注；
S4、数据分割：将心电信号分割；
S5、模型训练：将CNN和LSTM作为特征提取器，分别实现对空间信息和时间信息的捕获，利用不同深度学习模型将生成的空间特征和时间特征进行连接，通过输入训练数据，预测模型输出，完成参数的调优；
S6、模型保存：当模型的损失函数不再降低之后，保存模型。
所述S1中数据采集的方法为：每次获取的心电信号记录为9000到18000个时间戳，采样频率为300Hz，每次记录的振幅为-10mV到10mV。
所述S2中数据预处理的方法为：包括下列步骤：
S2.1、对每条数据进行Min-Max标准化，提高模型识别性能，
Figure BDA0002880047190000021
其中min为最小值，max为最大值；
S2.2、利用高斯低通滤波器对原始信号进行去噪处理，避免数据出现偏差，
Figure BDA0002880047190000022
其中δ为标准差；
S2.3、为了规范模型的输入，减少训练时间，对大于9000时间戳的序列进行截断。
所述S3中QRS检测的方法为：通过双斜率QRS检测算法，检测在峰值处斜率变化最快的位置，且计算复杂度低，精度高，其中QRS是当信号经过滤波等预处理后，检测器开始检测每一个峰值，每次检测到一个峰值，峰值被分类为QRS波或者噪声。
所述S4中数据分割的方法为：将9000个长度的心电信号分割成至少包含4个R-R间隔的不同时段、长度固定1000、且包含R峰值时间之前和之后的心跳。
所述S5中模型训练的方法为：将CNN和LSTM网络结合起来构建混合深度神经网络模型，通过CNN网络将长度为1000的心电信号转换为256长度的特征向量；通过LSTM网络将一个长度为1000的心电信号转换为100长度的特征向量，同时将CNN和LSTM作为特征提取器，分别捕获空间信息和时间特征，将不同深度学习模型生成的空间特征和时间特征连接起来，然后全连接层的输出被传递到softmax函数
Figure BDA0002880047190000023
中，其中w为类别i的权值，C代表样本有C个类别，pi表示第i个类别预测结果准确率并转换为属于相应类的概率，最后通过损失函数提高模型识别准确率，消除由于数据不平衡给模型带来的影响，优化模型，提高模型性能，损失函数定义为：
Figure BDA0002880047190000024
γ≥0，其中
Figure BDA0002880047190000025
为样本预测值，γ为损失函数的参数，通过在训练模型中引入，降低正常样本的关注度，同时增强对难以分类样本的关注。
本发明与现有技术相比，具有的有益效果是：
本发明通过使用一维卷积神经网络CNN从心电信号中提取特征，将比传统的手工编码特征表现得更好，在标记信号和分类任务方面更高效，具有更高的可转移性和准确性，长短期记忆LSTM时间特征提取对于时间序列数据的分类和预测具有强大的功能，可以捕获更重要的成分，有效检测心脏健康。
附图说明
图1为本发明的本申请公开的主要步骤流程图；
图2为本申请公开的模型训练模型流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于CNN+LSTM的心房颤动检测与分类方法，如图1所示，包括下列步骤：
S1、数据采集：获取多通道心电信号，对其类别进行标注，构建模型训练所需数据集；
S2、数据预处理：对数据进行优化处理；
S3、QRS检测：对心电信号中的R峰值进行检测和标注；
S4、数据分割：将心电信号分割；
S5、模型训练：将CNN和LSTM作为特征提取器，分别实现对空间信息和时间信息的捕获，利用不同深度学习模型将生成的空间特征和时间特征进行连接，通过输入训练数据，预测模型输出，完成参数的调优；
S6、模型保存：当模型的损失函数不再降低之后，保存模型。
进一步，S1中数据采集的方法为：每次获取的心电信号记录为9000到18000个时间戳，采样频率为300Hz，每次记录的振幅为-10mV到10mV。
进一步，S2中数据预处理的方法为：包括下列步骤：
S2.1、对每条数据进行Min-Max标准化，提高模型识别性能，
Figure BDA0002880047190000031
其中min为最小值，max为最大值；
S2.2、利用高斯低通滤波器对原始信号进行去噪处理，避免数据出现偏差，
Figure BDA0002880047190000032
其中δ为标准差；
S2.3、为了规范模型的输入，减少训练时间，对大于9000时间戳的序列进行截断。
进一步，S3中QRS检测的方法为：通过双斜率QRS检测算法，检测在峰值处斜率变化最快的位置，且计算复杂度低，精度高，其中QRS是当信号经过滤波等预处理后，检测器开始检测每一个峰值，每次检测到一个峰值，峰值被分类为QRS波或者噪声。
进一步，S4中数据分割的方法为：将9000个长度的心电信号分割成至少包含4个R-R间隔的不同时段、长度固定1000、且包含R峰值时间之前和之后的心跳。
进一步，如图2所示，S5中模型训练的方法为：将CNN和LSTM网络结合起来构建混合深度神经网络模型，通过CNN网络将长度为1000的心电信号转换为256长度的特征向量；通过LSTM网络将一个长度为1000的心电信号转换为100长度的特征向量，同时将CNN和LSTM作为特征提取器，分别捕获空间信息和时间特征，将不同深度学习模型生成的空间特征和时间特征连接起来，然后全连接层的输出被传递到softmax函数
Figure BDA0002880047190000041
中，其中w为类别i的权值，C代表样本有C个类别，pi表示第i个类别预测结果准确率并转换为属于相应类的概率，最后通过损失函数提高模型识别准确率，消除由于数据不平衡给模型带来的影响，优化模型，提高模型性能，损失函数定义为：
Figure BDA0002880047190000042
γ≥0，其中
Figure BDA0002880047190000043
为样本预测值，γ为损失函数的参数，通过在训练模型中引入，降低正常样本的关注度，同时增强对难以分类样本的关注。
进一步，评价指标：为了消除数据不平衡的影响，基于精度和灵敏度相结合的f1评分对模型的性能进行评价，具有良好性能的模型应保持较高的特异性和较高的f1评分：
Figure BDA0002880047190000044
Figure BDA0002880047190000045
TP(True Positive)：预测为正，实际值也为正；
FP(False Positive)：预测为正，但实际值为负；
TN(True Negative)：预测为负且实际值也为负；
FN(False Negative)：预测为负，但实际值为正。
上面仅对本发明的较佳实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化，各种变化均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于CNN+LSTM的心房颤动检测与分类方法，其特征在于：包括下列步骤：
S1、数据采集：获取多通道心电信号，对其类别进行标注，构建模型训练所需数据集；
S2、数据预处理：对数据进行优化处理；
S3、QRS检测：对心电信号中的R峰值进行检测和标注；
S4、数据分割：将心电信号分割；
S5、模型训练：将CNN和LSTM作为特征提取器，分别实现对空间信息和时间信息的捕获，利用不同深度学习模型将生成的空间特征和时间特征进行连接，通过输入训练数据，预测模型输出，完成参数的调优；
S6、模型保存：当模型的损失函数不再降低之后，保存模型。
2.根据权利要求1所述的一种基于CNN+LSTM的心房颤动检测与分类方法，其特征在于：所述S1中数据采集的方法为：每次获取的心电信号记录为9000到18000个时间戳，采样频率为300Hz，每次记录的振幅为-10mV到10mV。
3.根据权利要求1所述的一种基于CNN+LSTM的心房颤动检测与分类方法，其特征在于：所述S2中数据预处理的方法为：包括下列步骤：
S2.1、对每条数据进行Min-Max标准化，提高模型识别性能，
Figure FDA0002880047180000011
其中min为最小值，max为最大值；
S2.2、利用高斯低通滤波器对原始信号进行去噪处理，避免数据出现偏差，
Figure FDA0002880047180000012
其中δ为标准差；
S2.3、为了规范模型的输入，减少训练时间，对大于9000时间戳的序列进行截断。
4.根据权利要求1所述的一种基于CNN+LSTM的心房颤动检测与分类方法，其特征在于：所述S3中QRS检测的方法为：通过双斜率QRS检测算法，检测在峰值处斜率变化最快的位置，且计算复杂度低，精度高，其中QRS是当信号经过滤波等预处理后，检测器开始检测每一个峰值，每次检测到一个峰值，峰值被分类为QRS波或者噪声。
5.根据权利要求1所述的一种基于CNN+LSTM的心房颤动检测与分类方法，其特征在于：所述S4中数据分割的方法为：将9000个长度的心电信号分割成至少包含4个R-R间隔的不同时段、长度固定1000、且包含R峰值时间之前和之后的心跳。
6.根据权利要求1所述的一种基于CNN+LSTM的心房颤动检测与分类方法，其特征在于：所述S5中模型训练的方法为：将CNN和LSTM网络结合起来构建混合深度神经网络模型，通过CNN网络将长度为1000的心电信号转换为256长度的特征向量；通过LSTM网络将一个长度为1000的心电信号转换为100长度的特征向量，同时将CNN和LSTM作为特征提取器，分别捕获空间信息和时间特征，将不同深度学习模型生成的空间特征和时间特征连接起来，然后全连接层的输出被传递到softmax函数
Figure FDA0002880047180000021
中，其中w为类别i的权值，C代表样本有C个类别，pi表示第i个类别预测结果准确率并转换为属于相应类的概率，最后通过损失函数提高模型识别准确率，消除由于数据不平衡给模型带来的影响，优化模型，提高模型性能，损失函数定义为：
Figure FDA0002880047180000022
γ≥0，其中
Figure FDA0002880047180000023
为样本预测值，γ为损失函数的参数，通过在训练模型中引入，降低正常样本的关注度，同时增强对难以分类样本的关注。
CN202011630964.6A 2020-12-31 2020-12-31 一种基于cnn+lstm的心房颤动检测与分类方法 Pending CN112617849A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011630964.6A CN112617849A (zh) 2020-12-31 2020-12-31 一种基于cnn+lstm的心房颤动检测与分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011630964.6A CN112617849A (zh) 2020-12-31 2020-12-31 一种基于cnn+lstm的心房颤动检测与分类方法

Publications (1)

Publication Number Publication Date
CN112617849A true CN112617849A (zh) 2021-04-09

Family

ID=75290599

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011630964.6A Pending CN112617849A (zh) 2020-12-31 2020-12-31 一种基于cnn+lstm的心房颤动检测与分类方法

Country Status (1)

Country Link
CN (1) CN112617849A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113159231A (zh) * 2021-05-21 2021-07-23 华东理工大学 基于残差网络的分子筛sem图像分类方法和系统
CN113397555A (zh) * 2021-07-21 2021-09-17 南通大学附属医院 生理参数监测用c-lstm的心率失常分类算法
CN113598784A (zh) * 2021-08-25 2021-11-05 济南汇医融工科技有限公司 心律失常检测方法及系统
CN114469132A (zh) * 2022-02-11 2022-05-13 挂号网（杭州）科技有限公司 模型训练方法、装置、电子设备及存储介质
CN115865129A (zh) * 2022-12-01 2023-03-28 电子科技大学 一种基于去噪自编码器的窄带干扰智能消除方法
CN117257324A (zh) * 2023-11-22 2023-12-22 齐鲁工业大学(山东省科学院) 基于卷积神经网络和ecg信号的房颤检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104680186A (zh) * 2015-03-17 2015-06-03 中国科学院合肥物质科学研究院 一种心电信号中st段形态的自动分类方法
CN110327055A (zh) * 2019-07-29 2019-10-15 桂林电子科技大学 一种基于高阶谱和卷积神经网络的心冲击信号的分类方法
CN111297349A (zh) * 2020-02-12 2020-06-19 北京蓝卫通科技有限公司 一种基于机器学习的心律分类系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104680186A (zh) * 2015-03-17 2015-06-03 中国科学院合肥物质科学研究院 一种心电信号中st段形态的自动分类方法
CN110327055A (zh) * 2019-07-29 2019-10-15 桂林电子科技大学 一种基于高阶谱和卷积神经网络的心冲击信号的分类方法
CN111297349A (zh) * 2020-02-12 2020-06-19 北京蓝卫通科技有限公司 一种基于机器学习的心律分类系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张异凡，等: "用于心律失常识别的LSTM和CNN并行组合模型", 《哈尔滨工业大学学报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113159231A (zh) * 2021-05-21 2021-07-23 华东理工大学 基于残差网络的分子筛sem图像分类方法和系统
CN113159231B (zh) * 2021-05-21 2024-04-23 华东理工大学 基于残差网络的分子筛sem图像分类方法和系统
CN113397555A (zh) * 2021-07-21 2021-09-17 南通大学附属医院 生理参数监测用c-lstm的心率失常分类算法
CN113598784A (zh) * 2021-08-25 2021-11-05 济南汇医融工科技有限公司 心律失常检测方法及系统
CN113598784B (zh) * 2021-08-25 2024-04-09 济南汇医融工科技有限公司 心律失常检测方法及系统
CN114469132A (zh) * 2022-02-11 2022-05-13 挂号网（杭州）科技有限公司 模型训练方法、装置、电子设备及存储介质
CN115865129A (zh) * 2022-12-01 2023-03-28 电子科技大学 一种基于去噪自编码器的窄带干扰智能消除方法
CN115865129B (zh) * 2022-12-01 2024-03-29 电子科技大学 一种基于去噪自编码器的窄带干扰智能消除方法
CN117257324A (zh) * 2023-11-22 2023-12-22 齐鲁工业大学(山东省科学院) 基于卷积神经网络和ecg信号的房颤检测方法
CN117257324B (zh) * 2023-11-22 2024-01-30 齐鲁工业大学(山东省科学院) 基于卷积神经网络和ecg信号的房颤检测方法

Similar Documents

Publication Publication Date Title
CN112617849A (zh) 一种基于cnn+lstm的心房颤动检测与分类方法
CN111449645B (zh) 心电图心拍智能分类识别方法
CN109077715A (zh) 一种基于单导联的心电信号自动分类方法
WO2019161611A1 (zh) 心电信息处理方法和心电工作站
CN111772628B (zh) 一种基于深度学习的心电信号房颤自动检测系统
US7881779B2 (en) Method and apparatus for synthetically detecting ventricular fibrillation
Wu et al. Extracting deep features from short ECG signals for early atrial fibrillation detection
Daqrouq et al. Neural network and wavelet average framing percentage energy for atrial fibrillation classification
CN110638430B (zh) 级联神经网络ecg信号心律失常分类模型的搭建方法
Ali et al. Evaluation of electrocardiogram signals classification using CNN, SVM, and LSTM algorithm: A review
Xiang et al. ECG-based heartbeat classification using two-level convolutional neural network and RR interval difference
CN113995419B (zh) 一种基于心跳节律信号的房颤发生风险预测系统及其应用
CN113057648A (zh) 一种基于复合lstm结构的ecg信号分类方法
CN111557659B (zh) 基于多特征融合与Stacking-DWKNN算法的心律失常分类方法
CN110751131B (zh) 一种心律失常检测装置
CN116194044A (zh) 用于分析心律的方法和系统
Fang et al. Dual-channel neural network for atrial fibrillation detection from a single lead ECG wave
CN105877739A (zh) 一种心电智能分析系统的临床检验方法
Wan et al. A novel atrial fibrillation automatic detection algorithm based on ensemble learning and multi-feature discrimination
Rahuja et al. A deep neural network approach to automatic multi-class classification of electrocardiogram signals
Irfan et al. Deep learning based classification for healthcare data analysis system
Bonizzi et al. Detection of atrial fibrillation episodes from short single lead recordings by means of ensemble learning
CN110960207A (zh) 一种基于树模型的房颤检测方法、装置、设备及存储介质
CN113876331B (zh) 一种面向心电信号的半监督房颤自动检测系统
CN110507299A (zh) 一种心率信号检测装置及方法

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: 20210409

RJ01 Rejection of invention patent application after publication