CN112932499B - 网络训练和单导联心电数据处理方法、计算机装置和介质 - Google Patents
网络训练和单导联心电数据处理方法、计算机装置和介质 Download PDFInfo
- Publication number
- CN112932499B CN112932499B CN202110120138.5A CN202110120138A CN112932499B CN 112932499 B CN112932499 B CN 112932499B CN 202110120138 A CN202110120138 A CN 202110120138A CN 112932499 B CN112932499 B CN 112932499B
- Authority
- CN
- China
- Prior art keywords
- data
- lead
- network
- training
- layer
- 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.)
- Active
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
- A61B5/7235—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种深度学习网络训练方法、单导联心电数据处理方法、计算机装置和存储介质,单导联心电数据处理方法包括将根据单导联心电数据处理得到的输入张量输入至经过训练的生成器,获取生成器输出的多导联心电数据,将多导联心电数据输入至经过训练的分类网络,获取分类网络输出的对多导联心电数据的分类结果,根据分类结果确定单导联心电数据是否包括房颤特征等步骤。本发明通过将单导联心电数据转换成多导联心电数据,再对多导联心电数据进行处理,实现间接确定单导联心电数据是否包含房颤特征,能够充分利用单导联心电数据中的诊断信息,具有更高的判断把握和精度。本发明广泛应用于心电信号处理技术领域。
Description
技术领域
本发明涉及心电信号处理技术领域,尤其是一种深度学习网络训练方法、单导联心电数据处理方法、计算机装置和存储介质。
背景技术
心房颤动(简称房颤)是一种常见的持续性心律失常,与冠心病、高血压病和心力衰竭等疾病密切相关。房颤的早期发现对疾病的治疗与预后极为重要,及时确诊并就医能极大地改善病人的健康状况。医院的常规诊断手段是标准的十二导联心电图机,所描记心电图的不同导联可以反映心脏不同部位的电活动状态,蕴含着丰富的诊断信息,是医生诊断心律失常的主要依据,诊断精度也相对较高。然而十二导联心电图机造价高昂,并且不易随身佩戴,即使受试者在静息态也经常出现导联脱落、噪声干扰过大等情况,更适合短时程的疾病诊断,难以实现较长时间的无间断监护。
单导联心电设备造型小巧,佩戴简单,价格低廉,可以实现24小时在线的云端监护与检测,对房颤的早期发现与预警有着重要作用。而单导联心电设备只能采集单导联信号,采集到的心电图诊断信息相对较少,自动诊断算法的误警率相对较高。
发明内容
针对上述至少一个技术问题,本发明的目的在于提供一种深度学习网络训练方法、单导联心电数据处理方法、计算机装置和存储介质。
一方面,本发明实施例包括一种单导联心电数据处理方法,所述深度学习网络包括生成对抗网络和分类网络,所述生成对抗网络包括生成器和判别器,所述深度学习网络训练方法包括:
获取训练数据集;所述训练数据集包括多组训练数据,所述训练数据包括单导联心电数据、真实多导联心电数据以及用于描述所述真实多导联心电数据是否包括房颤特征的标签值;
使用所述训练数据集对所述生成对抗网络中的所述生成器和判别器进行交替对抗训练,在所述交替对抗训练中,使所述生成器根据单导联心电数据生成生成多导联心电数据,由所述判别器判断所述生成多导联心电数据是否与所述真实多导联心电数据相同,以及判断所述生成多导联心电数据是否包括房颤特征,直至所述生成器和判别器达到平衡状态收敛,结束所述交替对抗训练;
使用所述生成多导联心电数据作为所述分类网络的输入,以相应的所述标签值作为所述分类网络的期待输出,对所述分类网络进行训练。
进一步地,所述生成器为32层网络结构,所述32层网络结构包括5个下采样模块、5个上采样模块和2个单独的卷积层,各所述下采样模块和上采样模块分别包括用于执行卷积或反卷积过程的3个卷积层;所述2个单独的卷积层之间通过残差结构连接,所述32层网络结构中具有相同尺度的特征图的模块之间设有跨层连接结构。
进一步地,所述判别器为18层网络结构,所述18层网络结构包括1个初始卷积层、8个下采样残差卷积模块和2个全连接层,各所述下采样残差卷积模块分别包括最大池化层、2个卷积层和压缩-激励模块,其中一个所述全连接层用于判断所述生成多导联心电数据是否与所述真实多导联心电数据相同,另一个所述全连接层用于判断所述生成多导联心电数据是否包括房颤特征。
进一步地,所述分类网络为34层网络结构,所述34层网络结构包括1个卷积层、1个全连接层和8个下采样残差模块,各所述下采样残差模块分别包括2个残差恒等映射层,各所述残差恒等映射层分别包括2个卷积层。
进一步地,在所述交替对抗训练中,所使用的损失函数包括:
其中,x12表示所述真实多导联心电数据;x1表示所述单导联心电数据;G(x1)表示生成多导联心电数据;G表示生成器;D表示判别器;所述中的第一项表示真实判别损失,所述/>中的第二项表示生成判别损失,其中所述真实多导联心电数据的真值为1,所述生成多导联心电数据的真值为0;所述/>中的第三项和第四项表示带有数据先验的类别判别损失,其中含有所述房颤特征的真值为1,不含有所述房颤特征的真值为0;所述/>中的第一项用于使所述生成多导联心电数据的质量预测逼近于1;所述/>中的第二项用于使所述生成多导联心电数据的诊断类别逼近给定类别;所述/>中的第三项为均方误差,使所述生成多导联心电数据与所述真实多导联心电数据在时域空间的整体波形保持一致;所述/>中的第四项为结构相似性,使所述生成多导联心电数据与所述真实多导联心电数据的高频细节保持一致。
进一步地,所述深度学习网络训练方法还包括:
获取测试数据集;所述测试数据集包括多个真实多导联心电数据;
使用所述测试数据集测试所述分类网络;
根据所述分类网络对在测试过程中的输出,获得PR曲线;
根据所述PR曲线确定PR-AUC;
根据所述PR-AUC设定所述分类网络的分类阈值。
进一步地,所述深度学习网络训练方法还包括:
对所述训练数据中的所述单导联心电数据进行数据增强处理;所述数据增强处理包括随机频率成分缺失、随机信号置零、随机周期性信号置零和/或随机裁剪缩放。
另一方面,本发明实施例还包括一种单导联心电数据处理方法,包括:
对待处理的单导联心电数据进行处理,获得输入张量;
将所述输入张量输入至经过实施例中所述深度学习网络训练方法训练的所述生成器,获取所述生成器输出的多导联心电数据;
将所述多导联心电数据输入至经过实施例中所述深度学习网络训练方法训练的所述分类网络,获取所述分类网络输出的对所述多导联心电数据的分类结果;
根据所述分类结果确定待处理的单导联心电数据是否包括房颤特征。
另一方面,本发明实施例还包括一种计算机装置,包括存储器和处理器,所述存储器用于存储至少一个程序,所述处理器用于加载所述至少一个程序以执行实施例中的深度学习网络训练方法和/或单导联心电数据处理方法。
另一方面,本发明实施例还包括一种存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于执行实施例中的深度学习网络训练方法和/或单导联心电数据处理方法。
本发明的有益效果是:实施例中的深度学习网络训练方法可以训练得到能够将单导联心电数据转换为多导联心电数据的生成器,以及能够判断多导联心电数据是否包括房颤特征的分类网络,从而为应用本实施例中的单导联心电数据处理方法提供支持。实施例中的单导联心电数据处理方法通过将单导联心电数据转换成多导联心电数据,再对多导联心电数据进行处理,通过确定多导联心电数据是否包含房颤特征,实现间接确定单导联心电数据是否包含房颤特征,由于多导联心电数据中的诊断信息相对单导联心电数据中的诊断信息更完整,因此能够充分利用单导联心电数据中的诊断信息,与直接识别单导联心电数据中是否包含房颤特征相比,具有更高的判断把握和精度,能够改善现有技术中对单导联心电数据未充分利用、分类精度低、泛化性能差,以及十二导联心电难以长时间监测等的问题。
附图说明
图1为实施例中生成器的结构图;
图2为实施例中判别器的结构图;
图3为实施例中分类网络的结构图;
图4为实施例中单导联心电数据处理方法的流程图;
图5为实施例中数据增强技术的效果示意图;
图6为实施例中生成对抗网络的原理图;
图7为实施例中单导联心电数据处理方法的流程图;
图8为实施例中单导联心电数据处理方法的原理图;
图9为实施例中单导联心电数据处理方法的效果图;
具体实施方式
本实施例中,深度学习网络训练方法用于训练由生成对抗网络和分类网络组成的深度学习网络。其中的单导联心电数据是指通过单导联心电设备在人身体测得的心电图等数据,真实多导联心电数据是指通过多导联心电设备在人身体测得的心电图等数据,生成多导联心电数据是指通过生成对抗网络对单导联心电数据进行处理,所生成的与真实多导联心电数据具有相同的格式或形式的心电图等数据。由于临床上常用十二导联心电图,因此本实施例中的多导联心电数据是指十二导联心电图,例如真实多导联心电数据是指通过十二导联心电设备在人身体测得的心电图等数据,生成多导联心电数据是指通过生成对抗网络对单导联心电数据进行处理,所生成的与真实十二导联心电数据具有相同的格式或形式的心电图等数据。
真实多导联心电数据对应标签值,标签值用于描述真实多导联心电数据是否具有房颤特征,其中具有房颤特征表示被测真实多导联心电数据的人员存在房颤的病征,不具有房颤特征表示被测真实多导联心电数据的人员未被发现存在房颤的病征。
本实施例中,所使用的生成对抗网络包括生成器和判别器。其中,生成器的结构如图1所示,生成器是一个编码-解码结构的一维卷积网络,该网络输入的数据为单导联心电数据;输出为生成的十二导联心电数据。生成器共有32层,包括两个单独的卷积层,五个下采样模块和五个上采样模块。下采样模块和上采样模块的结构如图1左侧所示,每个模块有3个卷积层,第一个卷积层步长为3,分别执行卷积或反卷积过程,完成下、上采样操作;后面的两个卷积层步长均为1,通过残差结构连接。在相同尺度的特征图(Feature Map)模块之间增加了跨层连接结构,即特征图在通道维度上的叠加,用以增加生成数据的空间结构信息。所有的卷积均为一维卷积过程:第一个卷积层卷积核大小为13,通道数为64,步长为1;最后一个卷积层卷积核大小为1,将数据的通道数恢复至12;其余所有的卷积核大小均为7。图4中标注的k表示卷积核大小,n表示卷积核组的数目,s表示卷积步长。BN为批归一化(Batch normalization),ReLU为线性整流函数(Rectified Linear Unit),即非线性激活。
本实施例中,判别器的结构如图2所示,判别器是一个残差卷积网络,该网络的输入为生成的十二导联心电数据;输出为两组概率值向量,第一组概率值向量表示判别器对输入数据进行判别后,对输入数据属于真实的十二导联心电数据还是生成的十二导联心电数据的判断结果,其中,属于真实的十二导联心电数据的真值为1,属于生成的十二导联心电数据的真值为0。第二组概率值向量表示判别器对输入数据进行判别后,对输入数据的诊断类别的判断结果,其中,输入数据包含房颤特征的真值为1,输入数据不包含房颤特征的真值为0。判别器共有18层,包括一个初始卷积,8个下采样残差卷积模块,每个残差模块中有两个卷积层,以及最后的线性层组成,激活函数为Sigmoid。网络的卷积和池化过程均为一维。在每个下采样模块中通过最大池化实现特征图的降维,池化步长为2;使用通道数为N的卷积层,N为64的倍数,依据下采样模块的位置依次为64的1倍到8倍。网络的顶端为两个全连接层,均由Sigmoid函数激活。第一个全连接层判断输入数据是真实数据还是生成数据,第二个全连接层判断数据类别是否为房颤。SE Block为压缩-激励模块(Squeeze-and-Excitation),用于通道方向的注意力机制。SE Block通过全局平均池化将每个通道上整个空间特征编码为一个全局特征;然后使用一个全连接层,通过ReLU函数激活;再连接一个全连接层,通过Sigmoid函数激活;最后将得到的权重值按通道与特征图相乘。
本实施例中,分类网络的结构如图3所示,分类网络的输入为生成对抗网络中的生成器根据单导联心电数据生成的生成多导联心电数据,分类网络的输出为一组概率值向量。分类网络由Sigmoid函数激活,损失函数为二进制交叉熵(Binary cross entropy,BCE)。分类网络共有34层,由一个卷积层,一个全连接层,及中间的8个下采样残差模块组成,每个模块中有两个残差恒等映射层,每个恒等映射层中有两个卷积层。网络使用的卷积和池化过程均为一维。第一个卷积层的卷积核大小为13,其余卷积核大小为7。网络细节与生成对抗网络中的判别器相似。
本实施例中,参照图4,深度学习网络训练方法包括以下步骤:
P1.获取训练数据集;
P2.使用训练数据集对生成对抗网络中的生成器和判别器进行交替对抗训练;
P3.使用生成多导联心电数据作为分类网络的输入,以相应的标签值作为分类网络的期待输出,对分类网络进行训练。
执行步骤P1时,由医生使用标准的十二导联心电图机在人员身体上采集真实多导联心电数据,同时采集单导联心电数据,由两位医生对采集到的真实多导联心电数据进行诊断,判断被采集真实多导联心电数据的人员是否患有房颤疾病,即真实多导联心电数据中是否包括房颤特征,如果发现被采集真实多导联心电数据的人员患有房颤疾病,那么将真实多导联心电数据的标签值设置为真实多导联心电数据中包括房颤特征;如果没有发现被采集真实多导联心电数据的人员患有房颤疾病,那么将真实多导联心电数据的标签值设置为真实多导联心电数据中不包括房颤特征。在同一人员身上采集到的真实多导联心电数据、单导联心电数据和标签值组成一组训练数据,通过从多个人员身上分别采集真实多导联心电数据、单导联心电数据和标签值,可以获得多组训练数据。上述过程由另外三位医生复核,完成人工多标签分类诊断工作。
本实施例中,按被采集人员的ID对真实多导联心电数据及其标签值进行标记存储,选取其中的80%作为训练数据集,其余20%作为测试数据集,确保训练集与测试集二者相互独立并互斥,不存在信息泄露问题。
本实施例中,可以对采集到的真实多导联心电数据和/或单导联心电数据进行预处理。预处理的过程包括:进行截止频率为0.5-35Hz的带通滤波处理,去除真实多导联心电数据和/或单导联心电数据中的基线漂移、肌电干扰及工频干扰;计算训练数据集各个通道的均值与标准差,按公式对所有数据进行归一化处理,其中x为待处理的数据,x*为处理后的数据,means为训练数据集各个通道的均值,为训练集数据各个通道的标准差。
本实施例中,所获得的训练数据集中的单导联心电数据可以直接用于步骤P2和P3中的训练,也可以经过数据增强后再用于步骤P2和P3中的训练。所使用的数据增强技术可以是随机频率成分缺失、随机信号置零、随机周期性信号置零和/或随机裁剪缩放。其中,随机频率成分缺失处理是将心电数据使用离散余弦变换转换到频率域,随机选择1/10的频率成分将其置零,再通过离散余弦逆变换转换到时域;随机信号置零是随机选取心电数据中的一段将其置零。置零位置随机,长度为数据总长度的1/3;随机周期性信号置零是检测心电数据中的R波峰位置,将每个心拍中相同位置的一段数据置零。置零位置随机,长度为平均心拍长度的1/2;随机裁剪缩放是随机将心电数据中的一段信号裁剪出来并将其重采样为原有长度,裁剪位置随机。这些数据增强技术的效果如图5所示。图5中,第一行的图像是未经数据增强处理的单导联心电数据,第二行的图像是经过随机频率成分缺失处理的单导联心电数据,第三行的图像是经过随机信号置零处理的单导联心电数据,第四行的图像是经过随机周期性信号置零处理的单导联心电数据,第五行的图像是经过随机裁剪缩放处理的单导联心电数据。
通过对训练数据集进行数据增强处理,可以辅助分类器的训练,提高模型性能,增强泛化能力。
执行步骤P2时,使用训练数据集对生成对抗网络进行训练。生成对抗网络的训练过程为一个交替迭代的过程,生成器G和判别器D交替训练。参照图6,生成器是一个编码-解码结构,将单导联心电信号转化为对应的十二导联心电信号,完成数据的生成工作;判别器是一个卷积分类网络,在网络的顶端有两个全连接层进行分类。第一个全连接层判断输入的数据是生成数据还是真实数据,另一个全连接层判别输入的心电数据的类别是否为房颤。单导联心电图为对应的十二导联心电图中的I导联,确保单导联数据与十二导联数据一一对应且诊断类别一致。
在交替对抗训练中,使生成器根据单导联心电数据生成生成多导联心电数据(即图6中的生成的十二导联心电图),由判别器判断生成多导联心电数据是否与真实多导联心电数据(即图6中的真实的十二导联心电图)相同,其中判别器输出的结果为“真实”表示生成多导联心电数据与真实多导联心电数据相同,判别器输出的结果为“生成”表示生成多导联心电数据与真实多导联心电数据不相同;以及判断生成多导联心电数据是否包括房颤特征,其中判别器输出的结果为“房颤”表示生成多导联心电数据包括房颤特征,判别器输出的结果为“非房颤”表示生成多导联心电数据不包括房颤特征。判别器根据自己的判断结果向生成器反向传递参数,使得生成器在每一轮训练中调整自己的参数,直至生成器和判别器达到平衡状态收敛,结束对生成对抗网络的交替对抗训练。
在对生成对抗网络的交替对抗训练中,所使用的损失函数为:
其中,x12表示真实多导联心电数据;x1表示单导联心电数据;G(x1)表示生成多导联心电数据;G表示生成器;D表示判别器;中的第一项表示真实判别损失,/>中的第二项表示生成判别损失,其中真实多导联心电数据的真值为1,生成多导联心电数据的真值为0;中的第三项和第四项表示带有数据先验的类别判别损失,其中含有房颤特征的真值为1,不含有房颤特征的真值为0;/>中的第一项用于使生成多导联心电数据的质量预测逼近于1;/>中的第二项用于使生成多导联心电数据的诊断类别逼近给定类别;/>中的第三项为均方误差,使生成多导联心电数据与真实多导联心电数据在时域空间的整体波形保持一致;/>中的第四项为结构相似性,使生成多导联心电数据与真实多导联心电数据的高频细节保持一致。
执行步骤P3时,使用生成器所生成的生成多导联心电数据作为分类网络的输入,以相应的标签值作为分类网络的期待输出,对分类网络进行训练。其中,相应的标签值是指生成器生成生成多导联心电数据时所使用的单导联心电数据所在的那一组训练数据中的标签值。当对分类网络进行的训练达到预设的训练次数,或者分类网络的输出与标签值之间的误差或者误差次数小于预设阈值,则结束对分类网络的训练。
在完成步骤P2和P3对生成对抗网络和分类网络的训练后,可以执行以下测试过程:
P4.获取测试数据集;
P5.使用测试数据集测试分类网络;
P6.根据分类网络对在测试过程中的输出,获得PR曲线;其中PR曲线就是Precision-Recall曲线,可以用于对分类网络进行性能评估;
P7.根据PR曲线确定PR-AUC;其中PR-AUC是PR曲线下面积;
P8.根据PR-AUC设定分类网络的分类阈值。
步骤P4-P8的原理是:根据测试集输出的概率值,绘制PR曲线,并计算PR-AUC作为二分类模型的评价指标。在PR曲线上选定召回率为0.9时的阈值作为分类阈值,大于等于此阈值的样例为阳性,即房颤;小于此阈值的样例为阴性,即非房颤。这种阈值选择方法可以保证阳性标签,即房颤样例的召回率为90%,尽可能将房颤及其疑似案例检出供医生诊断,减小漏诊率。
本实施例中,参照图7,单导联心电数据处理方法包括以下步骤:
S1.对待处理的单导联心电数据进行处理,获得输入张量;
S2.将输入张量输入至经过深度学习网络训练方法训练的生成器,获取生成器输出的多导联心电数据;
S3.将多导联心电数据输入至经过深度学习网络训练方法训练的分类网络,获取分类网络输出的对多导联心电数据的分类结果;
S4.根据分类结果确定待处理的单导联心电数据是否包括房颤特征。
本实施例中,单导联心电数据处理方法的原理如图8所示。将待处理的单导联心电数据进过归一化后,按照时长为15s、时移为1s的分段方式将长时程的单导联心电数据分段,即心电数据的时间流为1-15s、2-16s、3-17s…,以此类推得到网络的输入张量。将输入张量输入生成器得到对应的多导联心电数据即十二导联心电数据,然后将多导联心电数据输入分类网络得到预测概率值。根据步骤P8确定的阈值得到分类结果。步骤S1-S4的效果如图9所示,如果所得预测值向量中有1,表示单导联心电数据中的至少某段信号发生了房颤,则单导联心电数据整体的最终预测值为1,可以确定单导联心电数据包括房颤特征,可以指导医生作出被采集单导联心电数据的人员患有房颤疾病的判断;如果单导联心电数据中所有时间段的预测值都为0,则单导联心电数据的最终预测值为0,可以确定单导联心电数据不包括房颤特征,可以指导医生作出被采集单导联心电数据的人员未患有房颤疾病的判断。
通过本实施例中的深度学习网络训练方法,可以训练得到能够将单导联心电数据转换为多导联心电数据的生成器,以及能够判断多导联心电数据是否包括房颤特征的分类网络,从而为应用本实施例中的单导联心电数据处理方法提供支持。本实施例中的单导联心电数据处理方法通过将单导联心电数据转换成多导联心电数据,再对多导联心电数据进行处理,通过确定多导联心电数据是否包含房颤特征,实现间接确定单导联心电数据是否包含房颤特征,由于多导联心电数据中的诊断信息相对单导联心电数据中的诊断信息更完整,因此能够充分利用单导联心电数据中的诊断信息,与直接识别单导联心电数据中是否包含房颤特征相比,具有更高的判断把握和精度,能够改善现有技术中对单导联心电数据未充分利用、分类精度低、泛化性能差,以及十二导联心电难以长时间监测等的问题。
可以通过编写执行本实施例中的单导联心电数据处理方法的计算机程序,将该计算机程序写入至计算机装置或者存储介质中,当计算机程序被读取出来运行时,执行本实施例中的深度学习网络训练方法和/或单导联心电数据处理方法。
需要说明的是,如无特殊说明,当某一特征被称为“固定”、“连接”在另一个特征,它可以直接固定、连接在另一个特征上,也可以间接地固定、连接在另一个特征上。此外,本公开中所使用的上、下、左、右等描述仅仅是相对于附图中本公开各组成部分的相互位置关系来说的。在本公开中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。此外,除非另有定义,本实施例所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本实施例说明书中所使用的术语只是为了描述具体的实施例,而不是为了限制本发明。本实施例所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。
应当理解,尽管在本公开可能采用术语第一、第二、第三等来描述各种元件,但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如,在不脱离本公开范围的情况下,第一元件也可以被称为第二元件,类似地,第二元件也可以被称为第一元件。本实施例所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例,并且除非另外要求,否则不会对本发明的范围施加限制。
应当认识到,本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现,其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本实施例描述的过程的操作,除非本实施例另外指示或以其他方式明显地与上下文矛盾。本实施例描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,所述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时,本实施例所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时,本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本实施例所述的功能,从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中,转换的数据表示物理和有形的对象,包括显示器上产生的物理和有形对象的特定视觉描绘。
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (8)
1.一种深度学习网络训练方法,所述深度学习网络包括生成对抗网络和分类网络,所述生成对抗网络包括生成器和判别器,其特征在于,所述深度学习网络训练方法包括:
获取训练数据集;所述训练数据集包括多组训练数据,所述训练数据包括单导联心电数据、真实多导联心电数据以及用于描述所述真实多导联心电数据是否包括房颤特征的标签值;
使用所述训练数据集对所述生成对抗网络中的所述生成器和判别器进行交替对抗训练,在所述交替对抗训练中,使所述生成器根据单导联心电数据生成多导联心电数据,由所述判别器判断所述生成多导联心电数据是否与所述真实多导联心电数据相同,以及判断所述生成多导联心电数据是否包括房颤特征,直至所述生成器和判别器达到平衡状态收敛,结束所述交替对抗训练;
所述交替对抗训练中,所使用的损失函数包括:
其中,x12表示所述真实多导联心电数据;x1表示所述单导联心电数据;G(x1)表示生成多导联心电数据;G表示生成器;D表示判别器;所述中的第一项表示真实判别损失,所述/>中的第二项表示生成判别损失,其中所述真实多导联心电数据的真值为1,所述生成多导联心电数据的真值为0;所述/>中的第三项和第四项表示带有数据先验的类别判别损失,其中含有所述房颤特征的真值为1,不含有所述房颤特征的真值为0;所述/>中的第一项用于使所述生成多导联心电数据的质量预测逼近于1;所述/>中的第二项用于使所述生成多导联心电数据的诊断类别逼近给定类别;所述/>中的第三项为均方误差,使所述生成多导联心电数据与所述真实多导联心电数据在时域空间的整体波形保持一致;所述/>中的第四项为结构相似性,使所述生成多导联心电数据与所述真实多导联心电数据的高频细节保持一致;
使用所述生成多导联心电数据作为所述分类网络的输入,以相应的所述标签值作为所述分类网络的期待输出,对所述分类网络进行训练。
2.根据权利要求1所述的深度学习网络训练方法,其特征在于,所述生成器为32层网络结构,所述32层网络结构包括5个下采样模块、5个上采样模块和2个单独的卷积层,各所述下采样模块和上采样模块分别包括用于执行卷积或反卷积过程的3个卷积层;所述2个单独的卷积层之间通过残差结构连接,所述32层网络结构中具有相同尺度的特征图的模块之间设有跨层连接结构。
3.根据权利要求1所述的深度学习网络训练方法,其特征在于,所述判别器为18层网络结构,所述18层网络结构包括1个初始卷积层、8个下采样残差卷积模块和2个全连接层,各所述下采样残差卷积模块分别包括最大池化层、2个卷积层和压缩-激励模块,其中一个所述全连接层用于判断所述生成多导联心电数据是否与所述真实多导联心电数据相同,另一个所述全连接层用于判断所述生成多导联心电数据是否包括房颤特征。
4.根据权利要求1所述的深度学习网络训练方法,其特征在于,所述分类网络为34层网络结构,所述34层网络结构包括1个卷积层、1个全连接层和8个下采样残差模块,各所述下采样残差模块分别包括2个残差恒等映射层,各所述残差恒等映射层分别包括2个卷积层。
5.根据权利要求1所述的深度学习网络训练方法,其特征在于,所述深度学习网络训练方法还包括:
获取测试数据集;所述测试数据集包括多个真实多导联心电数据;
使用所述测试数据集测试所述分类网络;
根据所述分类网络对在测试过程中的输出,获得PR曲线;
根据所述PR曲线确定PR-AUC;
根据所述PR-AUC设定所述分类网络的分类阈值。
6.根据权利要求1-5任一项所述的深度学习网络训练方法,其特征在于,所述深度学习网络训练方法还包括:
对所述训练数据中的所述单导联心电数据进行数据增强处理;所述数据增强处理包括随机频率成分缺失、随机信号置零、随机周期性信号置零和/或随机裁剪缩放。
7.一种计算机装置,其特征在于,包括存储器和处理器,所述存储器用于存储至少一个程序,所述处理器用于加载所述至少一个程序以执行权利要求1-6任一项所述的深度学习网络训练方法。
8.一种存储介质,其中存储有处理器可执行的程序,其特征在于,所述处理器可执行的程序在由处理器执行时用于执行权利要求1-6任一项所述的深度学习网络训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110120138.5A CN112932499B (zh) | 2021-01-28 | 2021-01-28 | 网络训练和单导联心电数据处理方法、计算机装置和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110120138.5A CN112932499B (zh) | 2021-01-28 | 2021-01-28 | 网络训练和单导联心电数据处理方法、计算机装置和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112932499A CN112932499A (zh) | 2021-06-11 |
CN112932499B true CN112932499B (zh) | 2023-05-26 |
Family
ID=76238851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110120138.5A Active CN112932499B (zh) | 2021-01-28 | 2021-01-28 | 网络训练和单导联心电数据处理方法、计算机装置和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112932499B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113693610B (zh) * | 2021-08-31 | 2022-10-14 | 平安科技(深圳)有限公司 | 少导联心电数据处理方法、装置、存储介质及计算机设备 |
CN113855044B (zh) * | 2021-09-29 | 2022-10-14 | 平安科技(深圳)有限公司 | 缺失导联的心电数据的分类处理方法、装置及存储介质 |
CN113855037B (zh) * | 2021-10-15 | 2023-03-28 | 南方医科大学 | 基于Transformer的房颤识别方法及装置 |
CN113974644B (zh) * | 2021-11-26 | 2023-03-24 | 苏州大学 | 一种房颤信号生成方法及系统 |
CN114469126B (zh) * | 2022-03-09 | 2023-06-23 | 平安科技(深圳)有限公司 | 心电数据的分类处理方法、装置、存储介质及计算机设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107837082B (zh) * | 2017-11-27 | 2020-04-24 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能自学习的心电图自动分析方法和装置 |
CN109875545A (zh) * | 2018-12-17 | 2019-06-14 | 浙江好络维医疗技术有限公司 | 一种基于cnn的个体化12导联心电图重建方法 |
CN109893122A (zh) * | 2019-03-28 | 2019-06-18 | 黄加庆 | 可行多导联心电图检查和心电监测的手机 |
CN111312329B (zh) * | 2020-02-25 | 2023-03-24 | 成都信息工程大学 | 基于深度卷积自动编码器的转录因子结合位点预测的方法 |
CN111419213A (zh) * | 2020-03-11 | 2020-07-17 | 哈尔滨工业大学 | 一种基于深度学习的ecg心电信号生成方法 |
CN112131945A (zh) * | 2020-08-21 | 2020-12-25 | 南京大学 | 一种基于深度学习的无透镜显微成像系统及方法 |
-
2021
- 2021-01-28 CN CN202110120138.5A patent/CN112932499B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112932499A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112932499B (zh) | 网络训练和单导联心电数据处理方法、计算机装置和介质 | |
US10869610B2 (en) | System and method for identifying cardiac arrhythmias with deep neural networks | |
Sobhaninia et al. | Fetal ultrasound image segmentation for measuring biometric parameters using multi-task deep learning | |
Chen et al. | Atrial fibrillation detection using a feedforward neural network | |
Gupta et al. | A novel FrWT based arrhythmia detection in ECG signal using YWARA and PCA | |
CN110876626A (zh) | 基于多导联脑电最优导联选择的抑郁检测系统 | |
CN110853111B (zh) | 医学影像处理系统、模型训练方法及训练装置 | |
Šajn et al. | Image processing and machine learning for fully automated probabilistic evaluation of medical images | |
CN116602642B (zh) | 心率监测方法、装置、设备 | |
CN113855038B (zh) | 基于多模型集成的心电信号危急值的预测方法及装置 | |
Memis et al. | Multimodal classification of obstructive sleep apnea using feature level fusion | |
Jiang et al. | Visualization deep learning model for automatic arrhythmias classification | |
CN113128585B (zh) | 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法 | |
CN114041800A (zh) | 心电信号实时分类方法、装置及可读存储介质 | |
CN112635064B (zh) | 一种基于深度pca变换的早期糖尿病风险预测方法 | |
CN113647905A (zh) | 深度神经网络预测血压的训练方法、计算机装置和存储介质 | |
CN116864140A (zh) | 一种心内科术后护理监测数据处理方法及其系统 | |
KR20140097039A (ko) | 자동 결합 뉴런 네트워크를 이용한 심장부정맥 분류 방법 및 장치 | |
Hong et al. | Gated temporal convolutional neural network and expert features for diagnosing and explaining physiological time series: a case study on heart rates | |
CN114224354B (zh) | 心律失常分类方法、装置及可读存储介质 | |
CN114569116A (zh) | 基于三通道图像及迁移学习的心冲击图室颤辅助诊断系统 | |
WO2022025803A1 (ru) | Способ локализации отделов головного мозга | |
Tihak et al. | Classification of Atrial Fibrillation ECG Signals Using 2D CNN | |
Jothiaruna | A deep learning framework for automatic cardiovascular classification from electrocardiogram images | |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |