CN112617856A - 基于残差神经网络的冠心病心电图筛查系统及方法 - Google Patents
基于残差神经网络的冠心病心电图筛查系统及方法 Download PDFInfo
- Publication number
- CN112617856A CN112617856A CN202011467895.1A CN202011467895A CN112617856A CN 112617856 A CN112617856 A CN 112617856A CN 202011467895 A CN202011467895 A CN 202011467895A CN 112617856 A CN112617856 A CN 112617856A
- Authority
- CN
- China
- Prior art keywords
- electrocardiogram
- data
- heart disease
- coronary heart
- 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.)
- Pending
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
-
- 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
- A61B5/7221—Determining signal validity, reliability or quality
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
Abstract
本发明提供了一种基于残差神经网络的冠心病心电图筛查系统,包括:心电信号处理模块:提取心电图机产生心电信号,使用symlets4小波对心电信号进行多层分解去噪,寻找心电信号转换的心电序列数据中R波的位置,并以其为基准进行心拍分割;深度特征提取模块:针对经过心电信号处理模块处理过的数据进行平移和缩放来数据增强,并使用包含挤压和激励网络模块的ResneXt50网络提取十二导联心电图的深度特征。树形模型预测模块:将深度特征提取模块提取的深度特征与心电图机数据进行结合,输入训练好的XGBoost模型得到心电图中出现冠心病心电特征的预测概率。本发明安装使用成本低,能够自动筛查,准确性相对心电图机的诊断更高,能够减少误判或者漏判,降低医生工作量。
Description
技术领域
本发明涉及心血管疾病诊断技术领域,具体地,涉及一种基于残差神经网络的冠心病心电图筛查系统及方法。
背景技术
冠状动脉粥样硬化性心脏病,简称冠心病,是指由于冠状动脉粥样硬化、冠状动脉狭窄引起的缺血、缺氧性心脏病,心律失常是其常见并发症。冠心病是引起老年人的重要死因之一,发病率和年龄成正比例关系。临床上表现为心绞痛、心肌梗死等状况,更有甚者因心律失常、心力衰竭而死亡。目前诊断冠心病的金标准是冠状动脉造影,但因其成本高且具有一定的风险,因此无法普及。目前利用十二导联心电图检测冠心病是十分重要的辅助检查手段,目前心电图筛查主要是通过医生观察心电图然后给出心电图相关的诊断,然后根据诊断判断是否可能患有冠心病。
心电图各波及波段的组成依次为P波、PR间期、QRS波群、J点、ST段、T波、U波、QT间期。冠心病主要分为慢性的心肌缺血和机型的心肌缺血,慢性的心肌缺血主要表现为ST段的抬高、ST段的压低、T波的低平、T波的倒置,而急性的心肌缺血最主要的表现是ST段的抬高、病理性Q波、T波的倒置或者明显的高尖。
ST段代表心室肌全部除极完成复极尚未开始的一段时间。此时各部位的心室肌都处于除极状态,细胞之间并没有电位差,因此正常情况下ST段应处于等电位线上。当某部位的心肌出现缺血或坏死的表现,心室在除极完毕后仍存在电位差,此时表现为心电图上ST段发生偏移。之后的T波代表了心室的复极,在QRS波主波向上的导联,T波应与QRS主波方向相同。心电图上T波的改变受多种因素的影响。Q波是室间隔除极产生右前方的向量形成的,正常情况下,时限不超过0.03s(III、avR导联除外),深度不会超过同导联R波的1/4。
随着人工智能技术的快速发展,深度学习作为一种基于对数据进行表征学习的方法,迅速兴起。在近年来,深度学习已经成为一种重要的方法论,成功应用于计算机视觉、模式识别和生物信息学等方向。不少学者已经尝试将神经网络技术用于心血管疾病诊断。Mathews等人将玻尔兹曼机和深信念网络结合,对心室和室上心跳进行分类,并取得较高准确率。Acharya等人则提出了十一层的卷积神经网络模型,来对心律失常疾病的四种类型进行分类。Sannino设计了一个深度神经网络模型来对心电信号进行自动分类。Andrew Ng博士领衔的团队在2019年在Nature Medicine上发表论文,开发了一个1D卷积神经网络,可基于任意长度心电序列数据检测心率不齐。但由于数据均是基于单导联心电图,获得有效的心脏电生理信息量不足和并且有大量干扰信号,而无法判断心脏激动、传导阻滞、心肌损伤和坏死程度。O.Yildirim团队提出了一个以标准12导联心电图讯号为基础的端到端结构的深度学习模式,以诊断心肌梗塞,并取得了不错的效果。
然而目前进行的心电图研究大部分使用的是国际上公认的心率失常标准数据库,包含美国麻省理工学院提供的MIT-BIH数据库、美国心脏学会提供的AHA数据库、欧共体CSE数据库,集中在心率失常分类上,相对来说,心肌缺血和心肌梗死研究较少,主要是数据较难获取。但心肌缺血与心梗发病率很高,其代表疾病冠心病更是致死率极高的疾病,有很高的研究价值。同时病人心电检测时,心电图机也会产出一些心电图的医学特征,这些特征也可以用于诊断参考,但是单一的深度学习系统不能有效利用这些信息。
冠心病发病率、致死率高,患者十二心电图上常会表现为ST-T段改变,病理性Q波,目前主要依靠医生识别出心电图相关异常,筛选出可能患有冠心病的病人。但是在不发达地区,限于医疗水平,可能误判或者漏判。心电图机也会给出心电图诊断结果,但是限于心电数据的复杂性,心电图机诊断结果准确性较低。近年也有不少研究者将深度学习技术应用于心电图诊断,但由于缺乏数据,较少涉及冠心病相关异常,同时只应用深度学习技术难以将心电序列以外的结构化数据类似心律,QT间期,年龄,性别等其它信息用于诊断。
经过检索,专利文献CN110897629A公开了一种基于深度学习算法的心电特征提取方法、装置、系统、设备和分类方法,其中,基于深度学习算法的心电特征提取方法,包括如下步骤:在待处理的十二导联心电图中随机截取一段连续的心电图信号,该心电图信号至少包含两个心动周期;将截取的心电图信号以图片形式输入特征提取模型中,提取得到心电图信号特征;所述特征提取模型基于ResNet模型、或Inception模型、或Incept ion-ResNet模型训练得到。该现有技术虽然基于深度学习算法的心电特征提取提高了相应的准确率及多样性,但是该现有技术的不足之处在于无法处理结构化数据,模型的准确性不够,扩展性能及延展性能均不足。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于残差神经网络的冠心病心电图筛查系统及方法,能通过够快速筛查出心电图中是否具有ST段改变、异常Q波、T波改变特征的系统,通过筛查可以尽早发现治疗冠心病。
根据本发明提供的一种基于残差神经网络的冠心病心电图筛查系统,包括:
心电信号处理模块:提取心电图机产生心电信号,使用symlets4小波对心电信号进行多层分解去噪,寻找心电信号转换的心电序列数据中R波的位置,并以其为基准进行心拍分割;
深度特征提取模块:针对经过心电信号处理模块处理过的数据进行平移和缩放来数据增强,并使用包含挤压和激励网络模块的ResneXt50网络提取十二导联心电图的深度特征;
树形模型预测模块:将深度特征提取模块提取的深度特征与心电图机数据进行结合,输入训练好的XGBoost模型得到心电图中出现冠心病心电特征的预测概率。
优选地,心电信号处理模块使用symlets4小波对心电信号进行多层分解去噪时,将尺度为1、6和7的系数置为零的方式去除漂移、肌电和工频噪声。
优选地,深度特征提取模块中,使用包含挤压和激励网络模块的ResneXt50网络提取特征时,在全连接层之前同时采用平均池化和最大池化操作。
优选地,使用树形模型预测模块时,只需将心电图可扩展标记语言文件放到程序指定位置,先经过神经网络得到神经网络提取的512维特征,再将这些特征与心电图机的提取的波形信息结合,输入XGBoost模型,即可得该名检测者出现冠心病心电特征的概率。
根据本发明提供的一种基于残差神经网络的冠心病心电图筛查方法,包括如下步骤:
步骤1:将心电图机产生的xml文件中的十二导联心电序列数据和心电特征数据提取出来,并对心电序列数据进行小波变换去噪,使用心拍分割算法将心电信号进行分割,最后进行填充得到固定长度的心电数据;
步骤2:将步骤1得到的数据进行数据增强提高系统的鲁棒性,然后输入训练好的包含挤压和激励网络模块的ResneXt50网络,提取512维深度特征;
步骤3:将提取到的深度特征与心电图机得到的10维心电图特征拼成522维数据,通过数据输入训练好的XGBoost模型进行判断,得到待筛查者心电图具有冠心病相关心电特征的的概率。
优选地,步骤1中选取Symlets4小波函数对心电信号进行7个尺度的分解,将小波分解的低频信号视为心电信号的基线漂移。
优选地,步骤1中对尺度1的小波系数使用硬阈值方法过滤细节系数,直接将其置为零,压制基线漂移噪声;尺度6和尺度7的小波系数代表工频、肌电噪声,直接将其小波系数置为零,通过小波重构获得去噪后的心电信号。
优选地,步骤1中对心电图进行心拍分割,将大于心电图最大值乘以0.6的值作为R波的位置,并截取前面0.35个周期和后方0.65个周期的长度作为心拍。
优选地,步骤2中得到去噪后的十二导联心电心拍数据后,通过生成随机数的处理进行数据增强:
如果随机数小于0.5,则不进行处理;
如果随机数大于0.5,则随机在均值为1,标准差为0.1的正态分布上取一个值a,将值a乘以心电序列的每一个值,然后随机生成一个-20至20之间的偏移量b,让心电序列中的每个值都加上偏移量b。
优选地,步骤3中数据进入网络后经过一个1维卷积层和最大池化层后,进入重复的瓶颈层中,最后经过平均池化和最大池化层转换为一维数据后,经过全连接层,得到最终的预测值。
与现有技术相比,本发明具有如下的有益效果:
1、本发明通过设置心电信号处理模块,深度特征提取模块和树形分类器模块,安装使用成本低,能够自动筛查,准确性相对心电图机的诊断更高。
2、本发明利用包含挤压和激励网络模块的ResneXt50网络进行冠心病概率的判断,供医生使用,实用性强,减少误判或者漏判,降低医生工作量。
3、本发明相比其它深度网络心电研究,本发明结合了树形分类器可以较好的处理结构化数据的特点,提高了模型的准确性,并且易于将其它有益的特征也加入诊断该系统,扩展性好。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明中模块1中的数据增强流程图;
图2为本发明中ResneXt50网络结构图;
图3为本发明中挤压和激励网络模块在ResneXt50网络中位置的示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
根据本发明提供的一种基于残差神经网络的冠心病心电图筛查系统,包括:
心电信号处理模块:提取心电图机产生心电信号,使用symlets4小波对心电信号进行多层分解去噪,寻找心电信号转换的心电序列数据中R波的位置,并以其为基准进行心拍分割。本发明使用大量临床心电图数据包括原始可扩展标记语言文件文件以及医生对心电图的临床诊断结果,心电数据含有各种噪声,包含基线漂移、肌电噪声和工频噪声等。使用小波去除心电图上的各种噪声,并结合医生诊断的相关信息和心电波形信息去除记录不良和质量差的数据,然后对数据进行心拍分割,统一填充为固定长度,用于后续训练。
深度特征提取模块:针对经过心电信号处理模块处理过的数据进行平移和缩放来数据增强,并使用包含挤压和激励网络模块的ResneXt50网络提取十二导联心电图的深度特征。对心电信号处理模块产生的数据进行数据增强,将原始心电序列数据进行平移和缩放,将数据准备好了之后,输入包含挤压和激励网络模块的ResneXt50(50层的深度残差神经网络的变体)网络训练,为了适应心电数据的特点,本发明将网络中的所有二维卷积操作换为一维卷积,并在全连接层前,同时使用平均池化和最大池化操作,综合二者的优点,该层的输出即为深度特征,在训练网络时该层后还有一层全连接层,挤压和激励网络模块主要学习了通道之间的相关性,可以提高网络性能,本网络将其加在RestneXt50的瓶颈层块中。该网络可以分发掘冠心病患者十二导联心电图所含的丰富信息,训练后得到能够提取心电图深度特征的网络模型。
树形模型预测模块:将深度特征提取模块提取的深度特征与心电图机数据进行结合,输入训练好的XGBoost模型得到心电图中出现冠心病心电特征的预测概率。使用深度特征提取模块直接提取出512维深度特征,然后将提取的特征与心电图机器得到的心电图相关特征,如心率、电轴、pr间期等十项拼接在一起,使用XGBoost模型进行训练,并调节相关超参数,学习得到概率预测模型。使用时,只需将心电图可扩展标记语言文件放到程序指定位置,先经过神经网络得到神经网络提取的512维特征,再将这些特征与心电图机的提取的波形信息结合,输入XGBoost模型,即可得该名检测者出现冠心病心电特征的概率,医生可以将此数据作为诊断参考。
针对本发明中出现的名词进行解释,xml代表可扩展标记语言;symlets4小波代表近似对称的紧支集双正交小波;ResneXt50是50层的深度残差神经网络的变体;XGBoost模型是一种基于决策树的集成机器学习算法,采用了梯度提升框架的模型。
本发明还提供一种基于残差神经网络的冠心病心电图筛查方法,包括如下步骤:
步骤1:将心电图机产生的xml文件中的十二导联心电序列数据和心电特征数据提取出来,并对心电序列数据进行小波变换去噪,使用心拍分割算法将心电信号进行分割,最后进行填充得到固定长度的心电数据;
步骤2:将步骤1得到的数据进行数据增强提高系统的鲁棒性,然后输入训练好的包含挤压和激励网络模块的ResneXt50网络,提取512维深度特征;
步骤3:将提取到的深度特征与心电图机得到的10维心电图特征拼成522维数据,通过数据输入训练好的XGBoost模型进行判断,得到待筛查者心电图具有冠心病相关心电特征的的概率。
本发明使用数据是心电图机生成的可扩展标记语言格式的十二导联心电图序列数据和十维的心电特征,这些心电图已经由有经验的医生给出心电图的诊断结果。首先本发明对数据进行清洗,将医生标注为记录不良的数据清除,然后根据医生诊断结果将标签分为三类,包括正常心电图,冠心病相关心电图,以及与冠心病无关的异常心电图,分别使用标签0,1,2进行标记。
Symlet小波函数是近似对称的小波函数,备较好的正则性,能够一定程度上减少对信号在分析和重构时的相位失真。选取Symlets4小波函数对心电信号进行7个尺度的分解,将小波分解的低频信号视为心电信号的基线漂移,即将尺度1的小波系数视为基线漂移,尺度1的小波系数差值非常大的心电图是漂移很强的信号,会造成干扰,直接予以删除,然后对尺度1的系数使用硬阈值方法过滤细节系数,直接将其置为零,压制基线漂移噪声,尺度6、7的小波系数代表工频、肌电噪声,直接将其小波系数置为零,然后通过小波重构获得去噪后的心电信号。然后对心电图进行心拍分割,首先寻找R波的位置,本发明时采取的方式是先找出所有极值所在的点,由于R波波峰值相互差距不大,但与其它波峰的差距极大,因而以心电图最大值乘以0.6的积作为阈值,比该值大的值即为阈值,然后以RR间距的平均值作为周期T,以R波前0.35*T距离的点为起点,R波前0.65*T距离的点为终点,截取心拍,然后通过填充0的方式将心拍数据填充为长度为600的序列数据。
得到去噪后的十二导联心电心拍数据后,本发明对数据进行了数据增强,提高模型的鲁棒性。如图1,首先生成一个随机数,如果随机数小于0.5则不进行处理,大于0.5,则随机在均值为1,标准差为0.1的正态分布上取一个值a,将该值乘以心电序列的每一个值,然后随机生成一个-20至20之间的偏移量b,让心电序列中的每个值都加上这个偏移量。经过这样的数据增强后,原始数据x与变换后的数据x’的关系如下:
x′=x*a+b
数据输入包含挤压和激励网络模块的ResneXt50网络中训练。本发明将网络中的卷积操作全部换成一维卷积,离散一维卷积计算公式为:
包含挤压和激励网络模块的ResneXt50网络的结构如图2,数据进入网络后经过一个1维卷积层和最大池化层后,进入重复的瓶颈层中,最后经过平均池化和最大层转换为一维数据后,经过全连接层,得到最终的三维预测值。在每个瓶颈层中,首先进行卷积核为1的变换维度操作,然后使用分组卷积,最后使用核为1的变换维度的操作得到相应尺寸的数据。它与50层的深度残差神经网络的差别在于使用了分组卷积,这一操作相当于在增加了网络“宽度”的同时没有增加参数数量,获得了比深度残差神经网络更好的效果。
挤压和激励网络模块的结构如图3,挤压和激励网络模块思想简单,易于实现,主要学习了通道之间的相关性,稍微增加了一点计算量,但是效果比较好。通过图3可以理解它的实现过程,通过对卷积得到的特征图通过池化、全连接层、sigmoid层可以将数据映射到0到1之间,得到一个和通道个数相同的一维向量作为每个通道的评价分数,然后将改分数分别施加到对应的通道上,本发明中挤压和激励网络模块加在ResneXt50网络的瓶颈层中。网络的损失函数采用采用交叉熵函数,使用Adam优化器,也就是自适应梯度优化器,训练完成后,可以将预测数据输入网络,然后对输出使用归一化指数函数计算各类的概率。
XGBoost基于提升树算法,本质是将许多树模型集成在一起,默认所用到的树模型是分类回归树,该树是二叉树,不断将特征进行分裂。比如当前树结点是基于第j个特征值进行分裂的,设该特征值小于s的样本划分为左子树,大于s的样本划分为右子树。分类回归树实质上就是在该特征维度对样本空间进行划分,而这种空间划分的优化是一种复杂度很高的问题,因此,在决策树模型中是使用启发式方法解决。根据训练特征及训练数据构建分类树,判定每条数据的预测结果。其中构建树使用基尼指数计算增益,即进行构建树的特征选取,基尼指数公式如式(1),基尼指数(Gini)计算增益公式如式(2):
pk表示数据集D中类别k的概率,K表示类别个数;
D表示整个数据集,D1和D2分别表示数据集中特征为A的数据集和特征非A的数据集,Gini(D1)表示特征为A的数据集的基尼指数。
训练XGBoost模型时,首先将步骤2中训练好的包含挤压和激励网络模块的ResneXt50网络模型的全连接层去除,然后将训练数据输入,即可得到用于树模型训练的512维深度特征,然后将10维心电图机的数据与深度特征横向拼接起来,得到522维训练数据,将此数据输入XGBoost模型训练,调整学习率、最大深度、每棵树采用列数占比等参数,得到最终预测模型。
心电图预测,将用来测试的病人的十二导联心电图数据输入去除全连接层的神经网络模型,得到深度特征,然后将其与心电图机输出的十维心电特征拼接,输入训练好的XGBoost模型,即可得到心电图具有冠心病相关心电特征的概率。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于残差神经网络的冠心病心电图筛查系统,其特征在于,包括:
心电信号处理模块:提取心电图机产生心电信号,使用symlets4小波对心电信号进行多层分解去噪,寻找心电信号转换的心电序列数据中R波的位置,并以其为基准进行心拍分割;
深度特征提取模块:针对经过心电信号处理模块处理过的数据进行平移和缩放来数据增强,并使用包含挤压和激励网络模块的ResneXt50网络提取十二导联心电图的深度特征;
树形模型预测模块:将深度特征提取模块提取的深度特征与心电图机数据进行结合,输入训练好的XGBoost模型得到心电图中出现冠心病心电特征的预测概率。
2.根据权利要求1所述的基于残差神经网络的冠心病心电图筛查系统,其特征在于,所述心电信号处理模块使用symlets4小波对心电信号进行多层分解去噪时,将尺度为1、6和7的系数置为零的方式去除漂移、肌电和工频噪声。
3.根据权利要求1所述的基于残差神经网络的冠心病心电图筛查系统,其特征在于,所述深度特征提取模块中,使用包含挤压和激励网络模块的ResneXt50网络提取特征时,在全连接层之前同时采用平均池化和最大池化操作。
4.根据权利要求1所述的基于残差神经网络的冠心病心电图筛查系统,其特征在于,使用所述树形模型预测模块时,只需将心电图可扩展标记语言文件放到程序指定位置,先经过神经网络得到神经网络提取的512维特征,再将这些特征与心电图机的提取的波形信息结合,输入XGBoost模型,即可得该名检测者出现冠心病心电特征的概率。
5.一种基于残差神经网络的冠心病心电图筛查方法,其特征在于,包括如下步骤:
步骤1:将心电图机产生的xml文件中的十二导联心电序列数据和心电特征数据提取出来,并对心电序列数据进行小波变换去噪,使用心拍分割算法将心电信号进行分割,最后进行填充得到固定长度的心电数据;
步骤2:将步骤1得到的数据进行数据增强提高系统的鲁棒性,然后输入训练好的包含挤压和激励网络模块的ResneXt50网络,提取512维深度特征;
步骤3:将提取到的深度特征与心电图机得到的10维心电图特征拼成522维数据,通过数据输入训练好的XGBoost模型进行判断,得到待筛查者心电图具有冠心病相关心电特征的的概率。
6.根据权利要求5所述的基于残差神经网络的冠心病心电图筛查方法,其特征在于,所述步骤1中选取Symlets4小波函数对心电信号进行7个尺度的分解,将小波分解的低频信号视为心电信号的基线漂移。
7.根据权利要求6所述的基于残差神经网络的冠心病心电图筛查方法,其特征在于,所述步骤1中对尺度1的小波系数使用硬阈值方法过滤细节系数,直接将其置为零,压制基线漂移噪声;尺度6和尺度7的小波系数代表工频、肌电噪声,直接将其小波系数置为零,通过小波重构获得去噪后的心电信号。
8.根据权利要求5所述的基于残差神经网络的冠心病心电图筛查方法,其特征在于,所述步骤1中对心电图进行心拍分割,将大于心电图最大值乘以0.6的值作为R波的位置,并截取前面0.35个周期和后方0.65个周期的长度作为心拍。
9.根据权利要求5所述的基于残差神经网络的冠心病心电图筛查方法,其特征在于,所述步骤2中得到去噪后的十二导联心电心拍数据后,通过生成随机数的处理进行数据增强:
如果随机数小于0.5,则不进行处理;
如果随机数大于0.5,则随机在均值为1,标准差为0.1的正态分布上取一个值a,将值a乘以心电序列的每一个值,然后随机生成一个-20至20之间的偏移量b,让心电序列中的每个值都加上偏移量b。
10.根据权利要求5所述的基于残差神经网络的冠心病心电图筛查方法,其特征在于,所述步骤3中数据进入网络后经过一个1维卷积层和最大池化层后,进入重复的瓶颈层中,最后经过平均池化和最大池化层转换为一维数据后,经过全连接层,得到最终的预测值。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011467895.1A CN112617856A (zh) | 2020-12-14 | 2020-12-14 | 基于残差神经网络的冠心病心电图筛查系统及方法 |
CN202110638190.XA CN113180688B (zh) | 2020-12-14 | 2021-06-08 | 基于残差神经网络的冠心病心电图筛查系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011467895.1A CN112617856A (zh) | 2020-12-14 | 2020-12-14 | 基于残差神经网络的冠心病心电图筛查系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112617856A true CN112617856A (zh) | 2021-04-09 |
Family
ID=75312984
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011467895.1A Pending CN112617856A (zh) | 2020-12-14 | 2020-12-14 | 基于残差神经网络的冠心病心电图筛查系统及方法 |
CN202110638190.XA Active CN113180688B (zh) | 2020-12-14 | 2021-06-08 | 基于残差神经网络的冠心病心电图筛查系统及方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110638190.XA Active CN113180688B (zh) | 2020-12-14 | 2021-06-08 | 基于残差神经网络的冠心病心电图筛查系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN112617856A (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114847960A (zh) * | 2022-06-07 | 2022-08-05 | 山东大学 | 基于心电导联规则和残差神经网络的心电识别系统及方法 |
CN115813404B (zh) * | 2023-02-15 | 2023-09-05 | 深圳市美林医疗器械科技有限公司 | 一种快速筛选具有临床诊断价值的心电图的方法与装置 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102163257A (zh) * | 2011-02-22 | 2011-08-24 | 郑州大学 | 心电监护与自适应模糊推理网络的冠心病自诊断系统 |
CN107361764B (zh) * | 2017-06-16 | 2020-05-22 | 华南理工大学 | 一种心电信号特征波形r波的快速提取方法 |
CN109063552B (zh) * | 2018-06-22 | 2021-03-30 | 深圳大学 | 一种多导联心电信号分类方法和系统 |
CN109859190B (zh) * | 2019-01-31 | 2021-09-17 | 北京工业大学 | 一种基于深度学习的目标区域检测方法 |
CN110236518B (zh) * | 2019-04-02 | 2020-12-11 | 武汉大学 | 基于神经网络的心电及心震信号联合分类的方法及装置 |
CN110136126A (zh) * | 2019-05-17 | 2019-08-16 | 东南大学 | 基于全卷积神经网络的织物纹理瑕疵检测方法 |
CN110796026A (zh) * | 2019-10-10 | 2020-02-14 | 湖北工业大学 | 一种基于全局特征拼接的行人重识别方法 |
CN110916647A (zh) * | 2019-12-11 | 2020-03-27 | 郑州轻工业大学 | 面向多场景的可穿戴心电监测与心律失常远程实时诊断装置 |
CN110960207A (zh) * | 2019-12-16 | 2020-04-07 | 成都天奥电子股份有限公司 | 一种基于树模型的房颤检测方法、装置、设备及存储介质 |
CN111243751B (zh) * | 2020-01-17 | 2022-04-22 | 河北工业大学 | 一种基于双重特征选择和XGBoost算法的心脏病预测方法 |
CN111166294B (zh) * | 2020-01-29 | 2021-09-14 | 北京交通大学 | 一种基于心跳间期的睡眠呼吸暂停自动检测方法及装置 |
CN111681219B (zh) * | 2020-06-03 | 2024-02-27 | 北京小白世纪网络科技有限公司 | 基于深度学习的新冠病毒感染ct图像分类方法、系统及设备 |
-
2020
- 2020-12-14 CN CN202011467895.1A patent/CN112617856A/zh active Pending
-
2021
- 2021-06-08 CN CN202110638190.XA patent/CN113180688B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113180688B (zh) | 2022-11-29 |
CN113180688A (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Oh et al. | Automated diagnosis of arrhythmia using combination of CNN and LSTM techniques with variable length heart beats | |
Acharya et al. | Automated detection of arrhythmias using different intervals of tachycardia ECG segments with convolutional neural network | |
Han et al. | ML–ResNet: A novel network to detect and locate myocardial infarction using 12 leads ECG | |
Acharya et al. | A deep convolutional neural network model to classify heartbeats | |
Sellami et al. | A robust deep convolutional neural network with batch-weighted loss for heartbeat classification | |
Wah et al. | Automated diagnosis of coronary artery disease: a review and workflow | |
Zhang et al. | Localization of myocardial infarction with multi-lead bidirectional gated recurrent unit neural network | |
CN113180688B (zh) | 基于残差神经网络的冠心病心电图筛查系统及方法 | |
Mandal et al. | Detection of Ventricular Arrhythmia by using Heart rate variability signal and ECG beat image | |
Prabhakararao et al. | Multi-scale convolutional neural network ensemble for multi-class arrhythmia classification | |
CN113095302A (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 | |
Wu et al. | Personalizing a generic ECG heartbeat classification for arrhythmia detection: a deep learning approach | |
Ge et al. | Convolutional squeeze-and-excitation network for ECG arrhythmia detection | |
CN115281688A (zh) | 一种基于多模态深度学习的心脏肥大多标签检测系统 | |
Allam et al. | A deformable CNN architecture for predicting clinical acceptability of ECG signal | |
Subramanyan et al. | A novel deep neural network for detection of Atrial Fibrillation using ECG signals | |
Xu et al. | Arrhythmia detection using gated recurrent unit network with ECG signals | |
WO2021031155A1 (zh) | 一种基于ecg的多尺度特征提取方法及装置 | |
Haroon | ECG arrhythmia classification Using deep convolution neural networks in transfer learning | |
Zhu et al. | Two-stage detection method of supraventricular and ventricular ectopic beats based on sequential artificial features and heartbeats | |
Sharma et al. | An intelligent deep neural network with Opposition based Laplacian Equilibrium Optimizer to improve feature extraction using ECG signals | |
Liu et al. | Adaptive atrial fibrillation detection focused on atrial activity analysis | |
Kumar et al. | A Deep Learning Approach for the Classification of Arrhythmias in ECG Signal | |
Ran et al. | Multi-label classification of abnormalities in 12-lead ECG using deep learning | |
CN114098757B (zh) | 一种基于量子粒子群优化的ecg信号监测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210409 |
|
WD01 | Invention patent application deemed withdrawn after publication |