CN112957052A - 一种基于nlf-cnn导联融合深度网络的多导联心电信号分类方法 - Google Patents
一种基于nlf-cnn导联融合深度网络的多导联心电信号分类方法 Download PDFInfo
- Publication number
- CN112957052A CN112957052A CN202110092923.4A CN202110092923A CN112957052A CN 112957052 A CN112957052 A CN 112957052A CN 202110092923 A CN202110092923 A CN 202110092923A CN 112957052 A CN112957052 A CN 112957052A
- Authority
- CN
- China
- Prior art keywords
- lead
- cnn
- nlf
- network
- leads
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于NLF‑CNN导联融合深度网络的多导联心电信号分类方法,具体采用运用NLF‑CNN非局部性导联融合的深度卷积神经网络,首先通过深层CNN在单一导联下提取心电信号的深度特征,然后通过浅层CNN将得到的多个导联特征进行交叉组合,设计不同的卷积核的大小组合不同导联的特征,同时,引入Non‑local非局部注意力机制,弥补卷积核感受野受限问题;本发明在心电图检测场景中的多导联心电信号分类方面提供了完整的解决方案,针对在不同心电图导联之间表现不同的关系,构建NLF‑CNN网络实现导联信息的提取和融合,同时在导联融合之前引入Non‑local自注意力机制,关注不同导联特征的差别和联系,大大提高了多导联心电信号检测和分类的准确率。
Description
技术领域
本发明属于在多导联心电图信号检测领域。具体是运用NLF-CNN(CNN-based Non-local Lead Fusion Network)非局部性导联融合的深度卷积神经网络,首先通过深层CNN在单一导联下提取心电信号的深度特征,然后通过浅层CNN将得到的多个导联特征进行交叉组合,设计不同的卷积核的大小组合不同导联的特征,同时,引入Non-local非局部注意力机制,弥补卷积核感受野受限问题,提高分分类准确度。
背景技术
在心电图检测场景中,需要根据心电信号来分析和判断心脏的健康状况和疾病类型。标准的心电图是12导联,即由人体不同部位电极采集同时得到的12个平行心电信号。不同类型的心脏疾病在不同导联上表现为不同的特征,例如一些心率失常疾病在12个到导联上的表现如表1所示。
目前心电图检测和分类方法中,由于开源的临床医学数据较少且为单导联或双导联,相应数据集上的心电分类方法大多只针对单一导联的心电信号进行分类,且可分的疾病类别较少。而公开的多导联心电数据集更少,通常基于深度学习针对多导联心电信号的分类方法和单一导联的处理方法类似,使用卷积神经网络或者循环神经网络同时对多个导联的信号序列进行处理,多导联只不过在输入重多了一个维度,即通道,在卷积计算中,多个通道的数值是直接相加的,并没有关注导联之间的关系,这会导致有限的分类准确率。
发明内容
针对现有技术中存在的上述问题,本发明提出在一种心电图检测场景中基于NLF-CNN导联融合深度网络的多导联心电信号分类方法。对于如何关注导联之间的关系,本发明提出的方法整体思路是,先利用基于小波变换算法提取心电信号的片段,再利用深层网络模块对片段分别提取多个单一导联心电信号的时域特征,得到12个导联的特征向量,然后利用多尺度卷积核的浅层网络模块,融合不同数量导联之间的组合信息,最终进行进一步的分类预测。其中为了增大卷积核感受野,并且提高分类精度,在深层网络和浅层网络两个阶段之间引入Non-local自注意力机制,从而设计并搭建出一个基于NLF-CNN导联融合深度网络模型,然后用12导联的标准心电信号数据集训练该网络模型,直到模型收敛。
为实现上述目的,本发明采用的技术方案为一种基于NLF-CNN导联融合深度网络的多导联心电信号分类方法,包括以下步骤:
为方便叙述,做以下定义:
首先对于一个完整的12导联心电信号时间序列S={s1,s2,…,sn},其中si={l1,l2,…,l12},n为时间,si为第i个时间点的心电信号值(由于是12个导联,所以有12个值),lj为该时间点第j个导联的心电信号数值。
步骤一,利用基于平稳小波变换检测算法,检测S中所有片段。得到分割后的序列S*={q1,q2,…,qm},其中包括m个片段,每个片段qi和原序列S的构成是一样的。
步骤二,构建NLF-CNN多导联融合模型,利用双向长短期记忆神经网络(BiLSTM)或者深层残差网络(ResNet)分别提取多个单一导联的时域信号特征,得到12个导联的特征向量H∈R12×d,d为向量的维度。然后利用一维Text-CNN卷积网络,分别进行导联特征融合,卷积感受野分别未2、3、4得到多种不同数量和种类导联之间的组合信息。为了增大卷积感受野,并且提高分类精度,在两个阶段之间引入Non-local自注意力机制。最终的输出经过全连接网络层he softmax映射到每个类别上的概率分布,得到最终的预测类别。具体的模型如图1所示。
步骤三,针对每个片段qi,和其对应的真实疾病类别标签,训练NLF-CNN网络直到模型收敛。
步骤四,使用训练好的模型进行心电信号分类预测。首先将一个完整的12导联心电信号时间序列S通过步骤二分割为多个片段,使用训练好的模型对每个片段进行心电信号分类预测,得到一组预测值,然后对其预测结果进行多数投票,得到最终预测的疾病类型结果。
与现有技术相比,本发明具有以下优势:
本发明在心电图检测场景中的多导联心电信号分类方面提供了完整的解决方案,针对心脏疾病在不同心电图导联之间表现不同的关系,构建NLF-CNN网络实现导联信息的提取和融合,同时在导联融合之前引入Non-local自注意力机制,关注不同导联特征的差别和联系,大大提高了多导联心电信号检测和分类的准确率。
附图说明
图1为NLF-CNN模型结构。
具体实施方式
本发明提出在一种心电图检测场景中基于NLF-CNN导联融合深度网络的多导联心电信号分类方法。对于如何关注导联之间的关系,本发明提出的方法整体思路是,先利用基于小波变换算法提取心电信号的片段,再利用深层网络模块对片段分别提取多个单一导联心电信号的时域特征,得到12个导联的特征向量,然后利用多尺度卷积核的浅层网络模块,融合不同数量导联之间的组合信息,最终进行进一步的分类预测。其中为了增大卷积核感受野,并且提高分类精度,在深层网络和浅层网络两个阶段之间引入Non-local自注意力机制,从而设计并搭建出一个基于NLF-CNN导联融合深度网络模型,然后用12导联的标准心电信号数据集训练该网络模型,直到模型收敛。
为实现上述目的,本发明采用的技术方案为一种基于NLF-CNN导联融合深度网络的多导联心电信号分类方法,包括以下步骤:
为方便叙述,做以下定义:
首先对于一个完整的12导联心电信号时间序列S={s1,s2,…,sn},其中si={l1,l2,…,l12},n为时间,si为第i个时间点的心电信号值(由于是12个导联,所以有12个值),lj为该时间点第j个导联的心电信号数值。
步骤一,利用基于平稳小波变换检测算法,检测S中所有片段。得到分割后的序列S*={q1,q2,…,qm},其中包括m个片段,每个片段qi和原序列S的构成是一样的。
步骤二,构建NLF-CNN多导联融合模型,利用双向长短期记忆神经网络(BiLSTM)或者深层残差网络(ResNet)分别提取多个单一导联的时域信号特征,得到12个导联的特征向量H∈R12×d,d为向量的维度。然后利用一维Text-CNN卷积网络,分别进行导联特征融合,卷积感受野分别未2、3、4得到多种不同数量和种类导联之间的组合信息。为了增大卷积感受野,并且提高分类精度,在两个阶段之间引入Non-local自注意力机制。最终的输出经过全连接网络层he softmax映射到每个类别上的概率分布,得到最终的预测类别。具体的模型如图1所示。
步骤三,针对每个片段qi,和其对应的真实疾病类别标签,训练NLF-CNN网络直到模型收敛。
步骤四,使用训练好的模型进行心电信号分类预测。首先将一个完整的12导联心电信号时间序列S通过步骤二分割为多个片段,使用训练好的模型对每个片段进行心电信号分类预测,得到一组预测值,然后对其预测结果进行多数投票,得到最终预测的疾病类型结果。
与现有技术相比,本发明具有以下优势:
本发明在心电图检测场景中的多导联心电信号分类方面提供了完整的解决方案,针对心脏疾病在不同心电图导联之间表现不同的关系,构建NLF-CNN网络实现导联信息的提取和融合,同时在导联融合之前引入Non-local自注意力机制,关注不同导联特征的差别和联系,大大提高了多导联心电信号检测和分类的准确率。
表1为特殊情况的四面体与节点之间的相对位置。
Claims (1)
1.一种基于NLF-CNN导联融合深度网络的多导联心电信号分类方法,其特征在于:
首先对于一个完整的12导联心电信号时间序列S={s1,s2,…,sn},其中si={l1,l2,…,l12},n为时间,si为第i个时间点的心电信号值,lj为该时间点第j个导联的心电信号数值;
步骤一,利用基于平稳小波变换检测算法,得到分割后的序列S*={q1,q2,…,qm},每个片段qi和原序列S的构成是一样的;
步骤二,构建NLF-CNN多导联融合模型,利用双向长短期记忆神经网络BiLSTM或者深层残差网络ResNet分别提取多个单一导联的时域信号特征,得到12个导联的特征向量H∈R12 ×d,d为向量的维度;然后利用一维Text-CNN卷积网络,分别进行导联特征融合,卷积感受野分别未2、3、4得到多种不同数量和种类导联之间的组合信息;为了增大卷积感受野,并且提高分类精度,在两个阶段之间引入Non-local自注意力机制;最终的输出经过全连接网络层he softmax映射到每个类别上的概率分布,得到最终的预测类别;
步骤三,针对每个片段qi,和其对应的真实疾病类别标签,训练NLF-CNN网络直到模型收敛;
步骤四,使用训练好的模型进行心电信号分类预测;首先将一个完整的12导联心电信号时间序列S通过步骤二分割为多个片段,使用训练好的模型对每个片段进行心电信号分类预测,得到一组预测值,然后对其预测结果进行多数投票,得到最终预测的类型结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110092923.4A CN112957052B (zh) | 2021-01-25 | 2021-01-25 | 一种基于nlf-cnn导联融合深度网络的多导联心电信号分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110092923.4A CN112957052B (zh) | 2021-01-25 | 2021-01-25 | 一种基于nlf-cnn导联融合深度网络的多导联心电信号分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112957052A true CN112957052A (zh) | 2021-06-15 |
CN112957052B CN112957052B (zh) | 2023-06-23 |
Family
ID=76271362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110092923.4A Active CN112957052B (zh) | 2021-01-25 | 2021-01-25 | 一种基于nlf-cnn导联融合深度网络的多导联心电信号分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112957052B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113229825A (zh) * | 2021-06-22 | 2021-08-10 | 郑州大学 | 一种基于深度神经网络的多标签多导联心电图分类方法 |
WO2023165005A1 (zh) * | 2022-03-04 | 2023-09-07 | 平安科技(深圳)有限公司 | 多导联心电图信号处理方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063552A (zh) * | 2018-06-22 | 2018-12-21 | 深圳大学 | 一种多导联心电信号分类方法和系统 |
CN109620152A (zh) * | 2018-12-16 | 2019-04-16 | 北京工业大学 | 一种基于MutiFacolLoss-Densenet的心电信号分类方法 |
CN110890155A (zh) * | 2019-11-25 | 2020-03-17 | 中国科学技术大学 | 一种基于导联注意力机制的多类心律失常检测方法 |
US20200134804A1 (en) * | 2018-10-26 | 2020-04-30 | Nec Laboratories America, Inc. | Fully convolutional transformer based generative adversarial networks |
CN111184508A (zh) * | 2020-01-19 | 2020-05-22 | 武汉大学 | 一种基于联合神经网络的心电信号检测装置及分析方法 |
CN111652066A (zh) * | 2020-04-30 | 2020-09-11 | 北京航空航天大学 | 基于多自注意力机制深度学习的医疗行为识别方法 |
-
2021
- 2021-01-25 CN CN202110092923.4A patent/CN112957052B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063552A (zh) * | 2018-06-22 | 2018-12-21 | 深圳大学 | 一种多导联心电信号分类方法和系统 |
US20200134804A1 (en) * | 2018-10-26 | 2020-04-30 | Nec Laboratories America, Inc. | Fully convolutional transformer based generative adversarial networks |
CN109620152A (zh) * | 2018-12-16 | 2019-04-16 | 北京工业大学 | 一种基于MutiFacolLoss-Densenet的心电信号分类方法 |
CN110890155A (zh) * | 2019-11-25 | 2020-03-17 | 中国科学技术大学 | 一种基于导联注意力机制的多类心律失常检测方法 |
CN111184508A (zh) * | 2020-01-19 | 2020-05-22 | 武汉大学 | 一种基于联合神经网络的心电信号检测装置及分析方法 |
CN111652066A (zh) * | 2020-04-30 | 2020-09-11 | 北京航空航天大学 | 基于多自注意力机制深度学习的医疗行为识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113229825A (zh) * | 2021-06-22 | 2021-08-10 | 郑州大学 | 一种基于深度神经网络的多标签多导联心电图分类方法 |
WO2023165005A1 (zh) * | 2022-03-04 | 2023-09-07 | 平安科技(深圳)有限公司 | 多导联心电图信号处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112957052B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Multiple-feature-branch convolutional neural network for myocardial infarction diagnosis using electrocardiogram | |
Xia et al. | An automatic cardiac arrhythmia classification system with wearable electrocardiogram | |
Xu et al. | Interpretation of electrocardiogram (ECG) rhythm by combined CNN and BiLSTM | |
US20230143594A1 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
Saber et al. | Arrhythmia modern classification techniques: A review | |
CN111990989A (zh) | 一种基于生成对抗及卷积循环网络的心电信号识别方法 | |
CN110522444B (zh) | 一种基于Kernel-CNN的心电信号识别分类方法 | |
CN113440149B (zh) | 一种基于十二导联心电数据二维化的多输入残差神经网络的ecg信号分类方法 | |
CN104367317A (zh) | 多尺度特征融合的心电图心电信号分类方法 | |
CN112957052B (zh) | 一种基于nlf-cnn导联融合深度网络的多导联心电信号分类方法 | |
CN109907753B (zh) | 一种多维度ecg信号智能诊断系统 | |
CN115470828A (zh) | 基于卷积与自注意力机制的多导联心电图分类识别方法 | |
CN112883803B (zh) | 一种基于深度学习的心电信号分类方法、装置及存储介质 | |
CN112733774A (zh) | 一种基于BiLSTM与串并多尺度CNN结合的轻量化ECG分类方法 | |
CN110584654A (zh) | 一种基于多模态卷积神经网络心电信号分类方法 | |
Xie et al. | Multilabel 12-lead ECG classification based on leadwise grouping multibranch network | |
Goto et al. | Application of neural networks to 12-lead electrocardiography―current status and future directions― | |
Al-Huseiny et al. | Diagnosis of arrhythmia based on ECG analysis using CNN | |
Li et al. | Arrhythmia classification using biased dropout and morphology-rhythm feature with incremental broad learning | |
Chen et al. | Cross-modal multiscale multi-instance learning for long-term ECG classification | |
CN112545525A (zh) | 心电图数据分类方法、装置及系统 | |
Wang et al. | MS-MLP: Multi-scale sampling MLP for ECG classification | |
CN116649899A (zh) | 一种基于注意力机制特征融合的心电信号分类方法 | |
CN114366116B (zh) | 一种基于Mask R-CNN网络及心电图的参数获取方法 | |
Munawar et al. | Arrhythmia Classification Based on Bi-Directional Long Short-Term Memory and Multi-Task Group Method |
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 |