CN112932498A - 一种基于深度学习的强泛化能力的t波形态分类系统 - Google Patents

Abstract

本公开提供了一种基于深度学习的强泛化能力的T波形态分类系统，数据预处理模块，被配置为：获取心电信号数据，并对获取的数据进行预处理；片段提取模块，被配置为：提取R波波峰位置和T波终点位置，得到包含R波与T波的信号片段；预测概率向量提取模块，被配置为：将信号片段分别转化为时域图像和时频域图像，将时域图像输入到第一卷积神经网络中，得到时域预测概率向量，将时频域图像输入到第二卷积神经网络中，得到时频域预测概率向量；分类模块，被配置为：将时域和时频域的预测概率向量进行加权融合，根据新得到的向量得到T波形态分类结果；本公开针对动态穿戴式心电监测或强噪声心电信号极大的提高了T波形态分类的准确度。

Description

一种基于深度学习的强泛化能力的T波形态分类系统

技术领域

本公开涉及心电信号分类技术领域，特别涉及一种基于深度学习的强泛化能力的T波形态分类系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。

心血管疾病已经成为人类死亡的首要原因。随着穿戴式技术的不断进步，心电信号的长时间连续监控成为可能。动态心电图是一种可以长时间连续记录并分析人体自然状态下心电图变化的方法，一般24小时内可连续记录多达10万次左右的心电信号，可以提高对非持续性心律失常，尤其是对心律失常及短暂的心肌缺血发作的检出率，扩大了心电图临床运用的范围；而如此巨大的数据量会造成数据灾难，故心电波形的自动筛选成为心电监控的必要条件，是可穿戴设备中重要的研究热点。T波是心电图的5个主要波之一，反应心脏收缩周期变化，是心室复极化过程，其形态主要由心室电活动的空间顺序决定，并受解剖学、病理学等多重因素影响，是心肌缺血、急性心肌梗死、急性心包炎以及脑血管意外等病理的关键指标。由于T波幅值较小且形态复杂，实时监护是在不影响受试者正常活动的情况下完成的，往往伴随着复杂的噪声和干扰，这给T波的检测与分类带来了很大困难。

目前，已有许多学者在T波的检测识别方面做了相关工作。有研究人员使用小波变换来检测T波电交替，这种方法需要针对不同形态的T波来设置不同标准的阈值来进行检测，但是由于T波形态变化复杂，该方法中的阈值设置只适用于少数形态T波的识别，应用范围受限。有研究人员建立了一个关于T波的数学模型并利用该模型检测T波并完成T波的分类，但这种数学模板检测法极易受噪声干扰和T波形态变化的影响，导致模型泛化性能较差。有研究人员提出了一种改进的算法检测异常T波。首先去除心电信号中的QRS波群后，利用小波变换方法获取剩余心电信号的模极值对，从中提取出T波形态模极大值的个数与正负顺序作为特征输入支持向量机，对6种不同形态的T波进行分类，最终对异常T波的检测准确率达到了96.38％。

上述算法虽然在区分正常、异常形态的T波时准确率较高，但是多基于静态数据且未列出对每一类异常形态的T波的分类结果，导致模型泛化能力较差。

有研究人员设计了一种基于集成分类器的算法来检测异常T波，该方法将机器学习中的决策树、逻辑回归及支持向量机等算法融合构成集成分类器。首先检测QT间期的起止点并提取QT间期的形态特征，然后将其输入集成分类器来判断T波形态，经欧盟ST-T数据库验证，算法分类准确率为92.54％。有研究人员将T波形态分为5类，首先基于当前RR间期的长度，用滑动搜索窗的方法确定了T波终点和T波峰点，然后利用ST段起点与T波峰值点这两点间的拟合直线和信号差值，当差值达到最大时确定了T波的起点，最后基于决策树思想，使用T波幅值、T波峰值、T波极大值点的位置和时间等特征参数来区分五种不同形态的T波，经欧盟ST-T数据库验证，最终测试组的分类准确率为91.8％。该算法主要是基于规则形态下的T波检测与分类，对信号质量有较高的要求。有研究人员采用基于主成分分析、阈值法、线性回归和符号法的综合方法对T波形态进行分析，用“ABCDE”五种符号表示T波的异常形态，经欧盟ST-T数据库验证，T波形态分析准确率最终在92％。

但是上述基于人为特征的算法大大影响了算法的鲁棒性，并且算法识别准确率也遇到了瓶颈。

发明内容

为了解决现有技术的不足，本公开提供了一种深度学习的强泛化能力的T波形态分类系统，针对动态穿戴式心电监测或强噪声心电信号极大的提高了T波形态分类的准确度，而且分类算法的鲁棒性和泛化性能得到了较好的改善。

为了实现上述目的，本公开采用如下技术方案：

本公开第一方面提供了一种基于深度学习的强泛化能力的T波形态分类系统。

一种基于深度学习的强泛化能力的T波形态分类系统，包括以下步骤：

数据预处理模块，被配置为：获取心电信号数据，并对获取的数据进行预处理；

片段提取模块，被配置为：提取R波波峰位置和T波终点位置，得到包含R波与T波的信号片段；

预测概率提取模块，被配置为：将信号片段分别转化为时域图像和时频域图像，将时域图像输入到第一卷积神经网络中，得到时域图像的预测概率向量，将时频域图像输入到第二卷积神经网络中，得到时频域图像的预测概率向量；

分类模块，被配置为：将时域和时频域的预测概率向量进行加权融合，根据融合后的向量得到T波形态分类结果。

作为可选的一些实施方式，采用0.5Hz～45Hz的巴特沃斯带通滤波器对获取的数据进行滤波预处理。

作为可选的一些实施方式，利用拟合抛物线方法提取R波波峰位置。

作为可选的一些实施方式，利用改进滑动窗面积法提取T波终点位置。

作为可选的一些实施方式，对信号片段进行改进频率切片小波变换，得到候选片段的时频图像。

作为可选的一些实施方式，包含R波与T波的信号片段，起点为第i个R波峰的时间与R波峰同R波起点之间的时间差的差值，终点为第i个T波终点的时间与检测值同实际值之间偏差的平均值的加和。

作为可选的一些实施方式，分别获取时域图像的预测概率向量F1，时频图像的预测概率向量F2，使用加权融合的方式组成新的向量F，将新的特征向量输入全连接层与softmax层，完成T波的分类，其中：

F＝horzat(α*F1，β*F2)

其中，“horzat(·)”为串联矩阵的函数，此处表示将F1和F2两个向量融合运算，α、β分别表示可训练的权重值，α∈[0，1]，β∈[0，1]，且满足公式：

α+β＝1。

作为可选的一些实施方式，第一卷积神经网络和第二卷积神经网络的结构相同，均包括依次设置的输入层、第一卷积层、RELU层、第一最大池化层、第二卷积层、第三卷积层、RELU层、第二最大池化层和输出层。

本公开第二方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如下步骤：

获取心电信号数据，并对获取的数据进行预处理；

提取R波波峰位置和T波终点位置，得到包含R波与T波的信号片段；

将信号片段分别转化为时域图像和时频域图像，将时域图像输入到第一卷积神经网络中，得到时域图像预测概率向量，将时频域图像输入到第二卷积神经网络中，得到时频图像预测向量；

将时域和时频域的预测概率向量加权融合，根据融合后的概率向量得到T波形态分类结果。

本公开第三方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如下步骤：

获取心电信号数据，并对获取的数据进行预处理；

提取R波波峰位置和T波终点位置，得到包含R波与T波的信号片段；

将信号片段分别转化为时域图像和时频域图像，将时域图像输入到第一卷积神经网络中，得到时域图像预测概率向量，将时频域图像输入到第二卷积神经网络中，得到时频域图像预测概率向量；

将时域和时频域的预测概率向量加权融合，根据融合后的概率向量得到T波形态分类结果。

与现有技术相比，本公开的有益效果是：

1、本公开所述的基于深度学习的强泛化能力的T波形态分类系统，将信号片段分别转化为时域图像和时频域图像，将时域图像输入到第一卷积神经网络中，得到时域图像预测概率向量，将时频域图像输入到第二卷积神经网络中，得到时频域图像预测概率向量，将两路获取的预测概率向量加权融合，根据融合后的概率向量得到T波形态分类结果，极大的提高了T波形态分类的准确率，而且分类算法的鲁棒性和泛化性能得到了较好的改善。

2、本公开所述的基于深度学习的强泛化能力的T波形态分类系统，使用改进的滑动窗面积法，有效提高了T波的检测准确率，优化了信号的预处理部分；与以往人工提取T波在时域的特征并用机器学习算法对其分类的方法相比，使用改进的频率切片小波变换技术可以得到T波的时频特征图像，结合预设的卷积神经网络进行分类，提高了分类的精度和分类算法的鲁棒性。

3、本公开所述的基于深度学习的强泛化能力的T波形态分类系统，在心电信号中获取T波片段时，根据临床医生通过同一心拍中R波波形方向与幅值来判断T波形态的方法，在每个心拍中获取了包含R波与T波的片段，提升了分类准确率；使用频率切片小波变换得到T波候选片段的二维时频特征图，并将其输入CNN进行训练与测试，有效提升了其分类准确率；有效融合了时域、时频域图像经CNN所得到的概率向量，优化了分类算法；使用多个数据库进行实验，对算法进行了准确率和泛化性能的验证。

4、本公开所述的基于深度学习的强泛化能力的T波形态分类系统，使用两个公开数据库构成数据集：将欧洲ST-T数据库中的数据作为训练集，将QT数据库中的数据作为测试集，验证了该分类系统的强泛化能力。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为本公开实施例1提供的基于深度学习的强泛化能力的T波形态分类系统的方法流程示意图。

图2为本公开实施例1提供的截取的六种T波相关片段及其时频图像。

图3为本公开实施例1提供的针对T波形态分类搭建的卷积神经网络模型示意图。

图4为本公开实施例1提供的训练精度、误差与迭代次数的关系示意图。

图5为本公开实施例1提供的基于时域图像测试结果的混淆矩阵示意图。

图6为本公开实施例1提供的基于时频图像测试结果的混淆矩阵示意图。

图7为本公开实施例1提供的基于多路预测概率向量混合分类结果的混淆矩阵示意图。

图8为本公开实施例1提供的分类系统在QT数据库中测试的分类结果的混淆矩阵示意图。

具体实施方式

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

实施例1：

本公开实施例1提供了一种基于深度学习的强泛化能力的T波形态分类系统，包括以下步骤：

数据预处理模块，被配置为：获取心电信号数据，并对获取的数据进行预处理；

片段提取模块，被配置为：提取R波波峰位置和T波终点位置，得到包含R波与T波的信号片段；

预测概率向量提取模块，被配置为：将信号片段分别转化为时域图像和时频域图像，将时域图像输入到第一卷积神经网络中，得到时域预测概率向量，将时频域图像输入到第二卷积神经网络中，得到时频域预测概率向量；

分类模块，被配置为：将时域和时频域的预测概率向量进行加权融合，根据融合后的向量得到T波形态分类结果。

具体的，包括以下内容：

本实施例将T波常见形态分为6类，分别是正常、高耸、倒置、双峰、双极性和低平。在T波标注过程中，由于数据库中提供的关于T波形态分类信息有限，所以分类标注步骤由两位临床专家独立完成，对于两位专家有异议的地方，则由第三位专家判断标注。

针对这6类形态的T波，本实施例提出了一种基于改进的频率切片小波变换和CNN的T波形态识别算法。首先使用拟合抛物线方法提取R波波峰位置，然后使用改进滑动窗面积法提取T波终点位置，从而获取包含R波与T波的片段。对片段进行改进频率切片小波变换，得到信号片段的时频图像，通过CNN完成T波的形态分类。

本实施例使用改进的滑动窗面积法，有效提高了T波的检测准确率，优化了信号的预处理部分。并且，与以往人工提取T波在时域的特征并用机器学习算法对其分类的方法相比，使用改进的频率切片小波变换技术可以得到T波的时频特征图像，而CNN能自动提取输入图像的特征信息，通过在欧盟ST-T数据库和QT数据库上进行实验，证明本实施例所述算法对6类常见形态的T波有良好的分类效果和较好的鲁棒性。

S1：算法描述

算法流程如图1所示，主要包括数据处理和分类两部分。预处理阶段包括对原始信号滤波去噪、定位R波峰和T波终点的位置、获取T波相关片段并对其做改进的频率切片小波变换，这一阶段生成了T波候选片段的二维时频特征图像；分别将片段的时域图像与时-频域图像输入CNN中，将两路CNN中的全连接层输出的预测概率向量以加权融合的方式，合成新的向量，最后输入全连接层、softmax层完成T波的分类。

S1.1：数据库

本实施例选用了两个公开数据库：欧洲ST-T心电数据库(European ST-TDatabase)和QT数据库。欧洲ST-T数据库由欧洲心脏病学会(European Society OfCardiology)开发，用来评价ST段和T波的检测算法的性能。数据库共包含来自79个对象的90个ECG信号记录，每个记录包含2个导联信号，持续时间长度为2小时，采样率为250Hz，由两位心血管疾病专家分别给ECG信号的每个节拍做标注，并记录ST段形态数据。QT数据库按照MIT-BIH数据库标准格式设置。该数据库包括105个时长15分钟的双通道动态心电记录。这些心电记录来源于MIT-BIH心律失常数据库、欧洲ST-T数据库等其它心电数据库，并以250Hz的采样频率进行了重采样。

在欧洲ST-T数据库中选取并标注12830个包含R波与T波的片段，QT数据库中选取标注了3000个T波片段。

S1.2：数据处理

S1.2.1：心电信号去噪

心电信号受工频干扰、基线漂移等噪声影响，本实施例选用了0.5-45Hz的巴特沃斯带通滤波器对信号进行滤波。

S1.2.2：R波峰与T波终点识别

心电信号R波定位方法相对成熟。实验采用拟合抛物线的方法，该算法综合考虑信号的幅度和曲率半径，识别率高且抗干扰能力强。由于T波形态变化多样且存在个体差异，所以T波起止点算法选用改进的滑动窗面积法(Improved Sliding Window Area，ISWA)。ISWA是通过设置一个滑动窗口并计算滑动窗口内ECG波形的面积来检测T波起点和终点。当预先固定的搜索范围内滑动窗口的面积达到最大值时，当前滑动窗口内的T波起点/终点被检测到。设置滑动窗宽为w＝0.128s，滑动窗口的滑动起止时间t由当前心动周期中R波峰的位置及当前RR间期间隔时间的值来确定。在滑动窗口[t-w t]内，计算波形面积A_t当t与T波终点重合时，A_t将达到其最大值。

S1.3：T波片段的选取

在T波的异常形态中存在着“高耸”和“低平”，表现为T波幅度相对正常幅值过高或过低，在生理上极有可能是由电解质异常或心肌缺血的症状引起的。在临床诊断中，医生在区分正常T波和以上这两种异常形态T波时，是通过观察一个完整心动周期中T波相对R波的峰值大小来判别，因此，研究选择保留R波与T波的片段。所选的T波截取片段的起止点如下：

式中，Rpeak(i)为第i个R波峰的时间，Tend(i)为第i个T波终点的时间，t1表示R波峰与R波起点之间的时间差，t2表示检测值与实际值之间偏差的平均值。

在定位片段起点时，本实施例基于对欧洲ST-T数据库中R波的起点与峰值间隔的统计，选择R波波峰前t1的点作为R波起点。在定位片段终点时，基于ISWA算法对T波终点的识别与实际T波终点的误差分析，选择T波终点后t2的点作为T波终点。

S1.4：改进频率切片小波变换

生理信号的时频分析能准确地定位体征信号在时域和频域上的关系。使用广泛的时频分析方法包括短时傅里叶变换(Short-time Fourier Transform，STFT)，Wigner-Ville分布(Wigner-Ville Distribution，WVD)和小波变化(Wavelet Transform，WT)。

STFT虽然算法简便容易实现，但窗口设置复杂，难以获得精确结果；WVD可以使图像有很好的时频聚焦性，但过程中的交叉项极大干扰了时频分析效果；CWT可以完全覆盖频域，具有“变焦”特性，可实现高分辨率，但是存在很高的冗余度。本实施例选用了改进的频率切片小波变换(modified frequency slice wavelet transform，MFSWT)，MFSWT的原理如下：

存在一个信号f(t)并假定其傅里叶变换

则可将MFSWT模型的频域表示为：

其中，t和ω分别是设置的观察时间和频率。“*”表示共轭算子，上式具有信号自适应性。

代表频率切片函数(Frequency Slice Function，FSF)：

q为信号频率变换的函数，其形式如下：

δ对应

的最大值，

是微分算子，sign(·)表示符号函数。根据公式(4)和(6)，自适应频谱切片函数的频率窗口随信号频率能量分布平滑变化。在公式(3)中，当

时，原始信号可以使用公式(5)进行重建：

相比传统的时频分析技术，MFSWT不需要设置复杂参数，可更多地显示信号的时频信息。实验采用0-36Hz的频段进行观察，时频图的横坐标即为信号片段的采样点。6类形态T波对应的典型MFSWT时频特征图如图2所示。

S1.5：卷积神经网络

搭建了一种自动分类T波形态的CNN模型。

S1.5.1：CNN模型搭建

CNN是一种基于BP神经网络并对其进行了有益的改进的网络，能够高效处理图片的二维局部信息来提取图片特征，是目前图像特征提取最好的算法之一。

CNN结构有三个特点：稀疏连接、权值共享以及多特征图。这使网络结构愈加近似于实际的生物神经网络，在使网络模型复杂度降低的同时，也降低了网络在特征提取和分类过程中数据重构的复杂度。

针对T波形态分类而搭建的CNN模型，从功能上可以分成两部分：T波形态特征提取和T波分类两部分。第一部分由卷积层和最大池化层组成，其中卷积层能增强图像特征并降低噪声，该层的输出经ReLU函数后输出特征映射；最大池化层通过对输入图像进行下采样，能够减少特征参数并保存有效信息，从而达到一个二次特征提取的效果。第二部分Softmax层来对T波进行形态分类并输出分类结果。模型共有12层，如图3所示。

本实施例共设计了三个实验，分别是：(a)基于时域图像的分类；(b)基于时频图像的分类；(c)基于多路预测概率向量混合的分类。

对于实验(a)(b)，具体设置为：首先获得输入图像的尺寸，将其作为输入层的一维矩阵；在第一个卷积层中设置16个5*9的卷积核，再设置线性整流层和最大池化层；第二个卷积层中设置32个5×9的卷积核，第三个卷积层中设置64个5×9的卷积核，经过线性整流层和最大池化层后输入输出层计算结果。网络中设置了三次特征提取部分，让网络对数据识别有更高的畸变容忍能力。由于T波形态共有六种，所以全连接层中参数设为6，如图3中(a)、(b)所示。

对于实验(c)，本实施例用上述CNN网络分别获取时域图像的预测概率向量F1，时频图像的预测概率向量F2，使用加权融合的方式组成新的向量F，将新的特征向量输入全连接层与softmax层，完成T波的分类，其中：

F＝horzat(α*F1，β*F2) (6)

其中，“horzat(·)”为串联矩阵的函数，此处表示将F1和F2两个向量融合运算。α、β分别表示可训练的权重值，α∈[0，1]，β∈[0，1]，且满足公式

α+β＝1 (7)

我们选择网格搜索法来确定α、β的最佳组合值，搜索步长设置为0.05。

S1.5.2：结果评价方法与模型参数设置

由于数据库中双峰、低平等异常形态T波相比正常T波来说样本记录量要少很多，所以获取的片段数据量相对较少。考虑到数据平衡问题，同时为了防止出现过拟合，使用3折交叉验证来评价模型。为了验证多域特征能提高T波的分类精度，本实施例做了两组对照实验。

如图3所示：(a)获取T波相关片段后，不对片段做MFSWT，而是直接将其以波形图像形式保存下来，然后将波形图像输入CNN模型进行训练与测试；(b)对片段做MFSWT，将得到的时频图像输入CNN，得到分类结果。实验结果评价指标为准确率(Accuracy)和F1测度。观察模型训练中准确率与迭代次数的关系，为了使CNN模型在训练结果好的同时又不过拟合，设置epoch为7，训练过程如图4所示，黑色虚线表示训练集随迭代次数的变化。当训练精度比较高且趋于稳定时，训练停止。设置训练参数时，开始用默认参数设置，根据每次分类结果更改参数。

S2：实验结果

实验平台为：计算机处理器为：Intel(R)Core(TM)i3-4130 CPU@3.40GHz，Win764位操作系统；算法平台为：Matlab 2017b。

实验所使用的每一类形态的T波图像训练集与测试集数量如表1所示。

表1：训练与测试的图像数量

S2.1：基于时域图像的分类结果

基于时域图像的实验分类结果的混淆矩阵如图5所示。混淆矩阵中的纵坐标表示真实标签，横坐标表示预测标签。

从混淆矩阵得知，对时域图像的T波分类准确率集中在91％到97％之间，F1测度大多在89％到95％之间；其中，对正常T波的分类准确率较低，数值范围在82％到84％之间。实验的平均分类准确率是92.14％，平均F1测度是88.35％，CNN模型有较好的鲁棒性。

S2.2：基于时频图像的分类结果

基于时频图像的实验分类结果的混淆矩阵如图6所示。

从混淆矩阵中看出，对时频图像的6类形态的T波分类准确率集中在95％到99％之间，F1测度大多在96％到99％之间；实验得到的平均准确率为97.34％，平均F1测度为96.97％。

与对比实验的分类结果相比，基于时频图像的实验分类准确率提高了5％，F1测度提高了8％。这表明针对T波搭建的CNN模型，对信号片段做MFSWT后的时频特征相比时域上的特征对区分六类形态的T波更有效。

S2.3：基于多路预测概率向量混合的分类结果

图7所示为基于多路预测概率向量混合实验分类结果的混淆矩阵。

从混淆矩阵可以看出，基于多路预测概率向量混合的实验分类准确率集中在97％到99.5％之间，F1测度大多在97％到99％之间，结果评价指标都优于实验a、b，这表明使用CNN提取多路预测概率向量混合并分类的方法能有效优化T波分类算法。

S2.4：QT数据库的测试结果

图8所示为QT数据库的分类结果的混淆矩阵。

从混淆矩阵可以看出，QT数据库的测试分类准确率集中分布在85％到96％之间，F1测度也在85％以上。其中，倒置与双极性的分类结果较低，这是由于QT数据库中数据与欧洲ST-T数据库的样本数据存在差异性，所以分类效果相较前几个实验分类结果来说略差。但从总体上看，分类性能良好，证明该分类系统泛化性能良好。

S2.5：与其它文献分类结果的对比

与现有技术对T波分类的结果进行对比，如表格2所示。对比可知，本实施例在将T波形态分为6类的情况下分类准确率较高。

表2：本实施例方法与其它方法的结果对比

实验与Hadjem、徐明芳、Song三篇文章中所用的数据库皆为欧盟ST-T数据库，王云鹤的文章中使用了QT数据库。其中，Hadjem提取T波的4种特征，使用决策树C4.5对3类形态的T波进行分类；徐明芳等提取T波的6类形态特征并用决策树思想对5类形态的T波进行分类；Song等应用多种统计学方法分析T波的形态，并对6类形态T波进行分类。

上述3种方法都是在时域上对T波进行分析，而本实施例的算法使用了MFSWT这种时频分析技术，在时频域上分析T波。王云鹤等对ECG中的QRS波群进行检测并将其消除，对ECG剩余部分做小波变换并提取模极值对，最后将其作为特征输入SVM进行分类。这种算法虽然同样用到了时频技术，但仍然需要手动设置阈值和提取特征。

实验结合了MFSWT与CNN，可自动提取T波的有效特征并对其分类；另外，为了验证网络的实用性能与泛化性能，实验基于欧洲ST-T数据库做了分类实验，并在QT数据库上做了测试，最终分类结果如图8所示，结果表明模型的泛化性能较好。

与前人的T波分类工作相比，本实施例算法的分类精度都有了提高，原因分析如下：首先，在T波候选段的选取中，将R波包含在了片段中。这是由于在临床上判断T波幅值是否异常时，需要将其与同导联中R波的幅值对比来判断。在R波的参照下，不同形态T波的差异性特征被捕捉到并作为分类依据之一，这在临床上也有重要的意义；选取了多路预测概率向量混合，使得分类效果更好。另外，传统的T波分类算法在提取特征时，都是通过人为手动操作，这些人工提取特征方法的不确定性在一定程度上损失了原有的波形特征信息，并使得实际应用时识别的鲁棒性差，影响分类效果。

本实施例中，频率切片小波变换将信号转换到时频域上，精确地呈现出心电信号的时频能量分布特征；卷积神经网络的隐含层通过对时频图像进行3次卷积、激活与池化，完成了时频图像的3次特征提取，这些特征具有平移、缩放不变性，这一过程不仅避免了人工提取特征，也使模型对数据识别有更高的畸变容忍能力和良好的鲁棒性。

通过使用欧盟ST-T数据库中的12830个片段，使用3折交叉验证法来训练和测试卷积神经网络模型，最终基于多域图像特征的分类准确率达到了98.16％，F1测度达到了97.34％，泛化性能良好，分类准确率对比其他T波分类算法(如决策树、支持向量机等)提高1％～6％；另外，为了验证模型的泛化能力，使用QT数据库进行测试，得到了较好的分类效果上述结果证明了针对6类形态T波进行分类设计的系统不仅在分类准确率上有所提升，在鲁棒性和泛化性能方面也表现良好。另外，算法模型也适用于其它多种生理信号的分析(譬如心音信号、脉搏信号等)，在医学图像分析领域也有一定的指导意义。

实施例2：

本公开实施例2提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如下步骤：

获取心电信号数据，并对获取的数据进行预处理；

提取R波波峰位置和T波终点位置，得到包含R波与T波的信号片段；

将信号片段分别转化为时域图像和时频域图像，将时域图像输入到第一卷积神经网络中，得到时域预测概率向量，将时频域图像输入到第二卷积神经网络中，得到时频域预测概率向量；

将多路预测概率向量进行加权融合，根据新得到的向量得到T波形态分类结果。

详细步骤与实施例1中提供的系统工作方法相同，这里不再赘述。

实施例3：

本公开实施例3提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如下步骤：

获取心电信号数据，并对获取的数据进行预处理；

提取R波波峰位置和T波终点位置，得到包含R波与T波的信号片段；

将信号片段分别转化为时域图像和时频域图像，将时域图像输入到第一卷积神经网络中，得到时域预测概率向量，将时频域图像输入到第二卷积神经网络中，得到时频域预测概率向量；

将多路预测概率向量进行加权融合，根据新得到的向量得到T波形态分类结果。

详细步骤与实施例1中提供的系统工作方法相同，这里不再赘述。

本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开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和光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本公开实施例的方法、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。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种基于深度学习的强泛化能力的T波形态分类系统，其特征在于，包括：

数据预处理模块，被配置为：获取心电信号数据，并对获取的数据进行预处理；

片段提取模块，被配置为：提取R波波峰位置和T波终点位置，得到包含R波与T波的信号片段；

预测概率向量提取模块，被配置为：将信号片段分别转化为时域图像和时频域图像，将时域图像输入到第一卷积神经网络中，得到时域预测概率向量，将时频域图像输入到第二卷积神经网络中，得到时频域预测概率向量；

分类模块，被配置为：将时域和时频域的预测概率向量进行加权融合，根据新得到的向量得到T波形态分类结果。

2.如权利要求1所述的基于深度学习的强泛化能力的T波形态分类系统，其特征在于，

采用0.5Hz～45Hz的巴特沃斯带通滤波器对获取的数据进行滤波预处理。

3.如权利要求1所述的基于深度学习的强泛化能力的T波形态分类系统，其特征在于，

利用拟合抛物线方法提取R波波峰位置。

4.如权利要求1所述的基于深度学习的强泛化能力的T波形态分类系统，其特征在于，

利用改进滑动窗面积法提取T波终点位置。

5.如权利要求1所述的基于深度学习的强泛化能力的T波形态分类系统，其特征在于，

对信号片段进行改进频率切片小波变换，得到候选片段的时频图像。

6.如权利要求1所述的基于深度学习的强泛化能力的T波形态分类系统，其特征在于，

包含R波与T波的信号片段，起点为第i个R波峰的时间与R波峰同R波起点之间的时间差的差值，终点为第i个T波终点的时间与检测值同实际值之间偏差的平均值的加和。

7.如权利要求1所述的基于深度学习的强泛化能力的T波形态分类系统，其特征在于，

分别获取时域图像的预测概率向量F1，时频图像的预测概率向量F2，使用加权融合的方式组成新的向量F，将新的特征向量输入全连接层与softmax层，完成T波的分类，其中：

F＝horzat(α*F1，β*F2)

其中，“horzat(·)”为串联矩阵的函数，此处表示将F1和F2两个向量融合运算，α、β分别表示可训练的权重值，α∈[0，1]，β∈[0，1]，且满足公式：

α+β＝1。

8.如权利要求1所述的基于深度学习的强泛化能力的T波形态分类系统，其特征在于，

第一卷积神经网络和第二卷积神经网络的结构相同，均包括依次设置的输入层、第一卷积层、第一线性整流层、第一最大池化层、第二卷积层、第三卷积层、第二线性整流层、第二最大池化层和输出层。

9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如下步骤：

获取心电信号数据，并对获取的数据进行预处理；

提取R波波峰位置和T波终点位置，得到包含R波与T波的信号片段；

将信号片段分别转化为时域图像和时频域图像，将时域图像输入到第一卷积神经网络中，得到时域预测概率向量，将时频域图像输入到第二卷积神经网络中，得到时频域预测概率向量；

将时域和时频域预测概率向量进行加权融合，根据融合后的向量得到T波形态分类结果。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如下步骤：

获取心电信号数据，并对获取的数据进行预处理；

提取R波波峰位置和T波终点位置，得到包含R波与T波的信号片段；

将信号片段分别转化为时域图像和时频域图像，将时域图像输入到第一卷积神经网络中，得到时域预测概率向量，将时频域图像输入到第二卷积神经网络中，得到时频域预测概率向量；

将时域和时频域预测概率向量进行加权融合，根据融合后的向量得到T波形态分类结果。

Images