CN113288156A - 一种任意导联视角的心电数据的生成方法 - Google Patents

Abstract

本发明公开了一种任意导联视角的心电数据的生成方法，包括以下步骤：(1)在现有心电数据集中，提取长度为10秒钟的12导联心电数据，对每个心电数据进行波段标注后按照比例分别划分为训练集和测试集；(2)将所有的心电数据进行标准化操作；(3)建立基于一维卷积神经网络的AutoEncoder深度学习模型；(4)利用训练集和测试集对Auto‑Encoder深度学习模型进行训练，直至模型收敛；(5)根据训练好的模型，输入步骤(2)中任意导联数量的心电数据、每个导联在球坐标系下的角度信息以及任意目标导联视角的角度信息；生成目标导联的心电数据。利用本发明，能极大的扩充导联视角，能够做到生成任意导联的心电数据。

Description

一种任意导联视角的心电数据的生成方法

技术领域

本发明属于计算机医疗数据挖掘领域，尤其是涉及一种任意导联视角的心电数据的生成方法。

背景技术

心电图(Electrocardiography、ECG或者EKG)是一种经胸腔的以时间为单位记录心脏的电生理活动，并通过皮肤上的电极捕捉并记录下来的诊疗技术。这是一种无创性的记录方式。

心电图的工作原理：在每次心跳心肌细胞去极化的时候会在皮肤表面引起很小的电学改变，这个小变化被心电图记录装置捕捉并放大即可描绘心电图。在心肌细胞处于静息状态时，心肌细胞膜两侧存在由正负离子浓度差形成的电势差，去极化即是心肌细胞电势差迅速向0变化，并引起心肌细胞收缩的过程。在健康心脏的一个心动周期中，由窦房结细胞产生的去极化波有序的依次在心脏中传播，先传播到整个心房，经过“内在传导通路”传播至心室。如果在心脏的任意两面放置2个电极，那么在这个过程中就可以记录到两个电极间微小的电压变化，并可以在心电图纸或者监视器上显示出来。心电图可以反应整个心脏跳动的节律，以及心肌薄弱的部分。

通常在肢体上可以放置2个以上的电极，他们两两组成一对进行测量(如左臂电极(LA)，右臂电极(RA)，左腿电极(LL)可以这样组合：LA+RA，LA+LL，RA+LL)。每个电极对的输出信号称为一组导联。导联简单的说就是从不同的角度去看心脏电流的变化。心电图的种类可以以导联来区分，如3导联心电图，5导联心电图与12导联心电图，等等。12导联心电图是临床最常见的一种，可以同时记录体表12组导联的电位变化，并在心电图纸上描绘出12组导联信号，常用于一次性的心电图诊断。3导联及5导联心电图多用于需要通过监视器连续检测心电活动的情况，如手术过程中或在救护车转运病人时的监护中。根据仪器的不同，这种连续监测的结果有时可能不会被完整地记录下来。

心电图是测量和诊断异常心脏节律的最好方法，用以诊断心电传导组织受损时心脏的节律异常，以及由于电解质平衡失调引起的心脏节律的改变。在心肌梗塞(MI)的诊断中，它可以特异性的分辨出心肌梗塞的区域。同时，心电图也是诊断心律失常疾病最为重要的检查。

目前临床上多使用标准12导联的心电图以诊断心脏疾病，在某些难以诊断的情况下，加做标准18导联的心电图。但是，仅有十几个导联的心电数据，并不满足医生对于复杂心电生理疾病的诊断需求。因此，亟需提出一种任意导联视角的心电数据的生成方法，生成医生需要的任意导联视角的心电数据，以辅助复杂心电生理疾病的诊断。

发明内容

为解决临床实际中，心电图观察导联视角过少的情况，不能满足临床医生诊断复杂心电生理疾病的需求问题，本发明提供了一种任意导联视角的心电数据的生成方法。

一种任意导联视角的心电数据的生成方法，包括以下步骤：

(1)在现有心电数据集中，提取长度为10秒钟的12导联心电数据，对每个心电数据进行波段标注后按照比例分别划分为训练集和测试集；

(2)将所有的心电数据进行标准化操作；

(3)建立基于一维卷积神经网络的AutoEncoder深度学习模型；所述的AutoEncoder深度学习模型由encoder和decoder两部分组成，一维卷积网络的encoder对输入的心电数据在解耦角度信息后提取特征，将提取后的特征耦合进目标导联的角度信息再经过一维卷积网络的decoder，生成目标导联的心电数据；

(4)利用训练集和测试集对AutoEncoder深度学习模型进行训练，直至模型收敛；

(5)根据训练好的模型，输入任意导联数量的心电数据、每个导联在球坐标系下的角度信息以及任意目标导联视角的角度信息；生成目标导联的心电数据。

进一步地，步骤(1)中，进行波段标注具体为：

请专业医生对心电数据进行P波、QRS波群和T波3种心电波段的标注，标注包括P波起始点、QRS波群起始点、QRS波结束点、T波起始点、T波结束点5种点位。

步骤(2)的具体过程为：对每一条心电数据进行z-score标准化，使其心电信号强度放缩至统一尺度。

步骤(3)中，所述AutoEncoder深度学习模型的具体结构为：

输入的角度信息经多层感知机映射到高维空间后，与经过基于一维卷积网络构建的Encoder提取的心电数据特征解耦，获得角度信息解耦的表征Z；表征Z经过由上采样与一维卷积网络构建的Decoder，获得低维空间的心电数据特征，再与经过多层感知机映射到高维空间后的目标角度信息耦合，获得耦合目标角度信息的心电数据特征，再经过上采样与一维卷积网络，获得生成的目标导联视角的心电数据。

步骤(4)中，模型的训练过程如下：

模型的输入为12导联心电数据中的任意数量导联数据、每个导联在球坐标系下的角度信息以及目标导联视角的角度信息；输出为与心电数据相同长度的、目标导联视角的心电数据；

将生成的心电数据与步骤(2)中的真实数据对比，计算两者之间的距离，并使用对比学习的方法，构建损失函数，以此来调节模型参数，直至模型收敛。

训练过程中，对比学习采用有监督学习，由三部分组成；

首先，对模型生成的心电数据，与真实数据计算L1距离，作为模型监督的一部分为Loss1；

其次，对于同一份心电图解耦角度信息之后，进行不同导联视角的表征Z之间，使用对比学习方法计算两者的L1距离，作为模型监督的一部分为Loss2；

最后，对于不同的心电图相同的导联数据，在解耦角度信息和提取特征后得到的表征Z，使用对比学习方法计算两者的L1距离，作为模型监督的最后一部分为Loss3。

训练过程中，所述的损失函数为：总损失函数Loss＝Loss1+Loss2+Loss3。

步骤(5)中，所述的任意目标导联视角包括但不限于标准12导联和标准18导联的导联视角，可以为球坐标系下任意一个角度。

与现有技术相比，本发明具有以下有益效果：

1、本发明能极大的扩充导联视角，能够做到生成任意导联的心电数据；

2、本发明可以使用少量的导联心电数据作为输入，即可生成任意导联的心电数据，能够将此方法使用到便携式心电图等采集导联数量不多的设备上；

3、本发明为临床医生提供非常多的视角去观察心脏电活动，增加临床医生诊断心电生理疾病的依据。

附图说明

图1为本发明实施例中AutoEncoder深度学习模型的结构图；

图2为本发明实施例中一份心电图生成的24导联视角的心电数据示例图。

具体实施方式

下面结合附图和实施例对本发明做进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。

本发明提供高效、便捷、准确的任意导联视角的心电数据生成方法。一种任意导联视角的心电数据的生成方法，包括以下步骤：

步骤1，获取大量心电数据集。

具体操作步骤如下：在各种公开数据集和医院现有心电数据中，挑选大量采样频率为500Hz的12导联心电数据，输出为固定格式的.txt文件。特别的，挑选一些明显发生异常情况的心电信号加入数据集，以增强方法的泛化性。在此基础上，对这些心电数据进行波段的标注，共标注5种点位，包括P波起始点、QRS波群起始点、QRS波群结束点、T波起始点、T波结束点。将所有数据按8:2的比例划分为训练集和测试集。

步骤2，对心电数据集进行标准化。

具体操作步骤如下：对每一条心电数据进行z-score标准化，使其心电信号强度放缩至统一尺度。

步骤3，搭建基于一维卷积神经网络的AutoEncoder深度学习模型，使用一维卷积网络的encoder对输入心电数据在解耦角度信息后提取特征，将提取后的特征耦合进目标导联的角度信息再经过一维卷积网络的decoder，生成目标导联的心电数据。

如图1所示，AutoEncoder深度学习模型具体的结构为：

输入的角度信息经多层感知机映射到高维空间后，与经过基于一维卷积网络构建的Encoder提取的心电数据特征解耦，获得角度信息解耦的表征Z；表征Z经过由上采样与一维卷积网络构建的Decoder，获得低维空间的心电数据特征，再与经过多层感知机映射到高维空间后的目标角度信息耦合，获得耦合目标角度信息的心电数据特征，再经过上采样与一维卷积网络，获得生成的目标导联视角的心电数据。

步骤4，对模型进行训练。

在训练过程中，模型的监督由三部分组成。首先，对模型生成的心电数据，与真实数据计算L1距离，作为模型监督的一部分；除此之外，对于同一份心电图解耦角度信息之后，进行提取后的不同导联时间的特征之间，使用对比学习方法计算两者的L1距离，作为模型监督的一部分；除此之外，对于不同的心电图相同的导联数据，在解耦角度信息和提取特征后得到的特征，使用对比学习方法计算两者的L1距离，作为模型监督的最后一部分。

步骤5，利用训练完的模型任意导联视角的心电数据。

在模型训练完成后，使用任意导联数量的心电数据、其相应的角度信息以及使用球坐标系下任意方向的导联视角作为模型输入，得到的网络输出即为该份心电图在目标导联视角下的心电数据。如图2所示，生成的24导联视角的心电数据。

图2中，每个小图为一种目标导联视角生成的心电数据，每个小图下面的标题表示该导联视角在球坐标系下的角度表示。

进一步的，为了验证本发明方法是有效且合理的，采集病患实际心电图检测时获得心电数据，输入进训练完毕的最佳模型，将输出的任意导联的心电数据交由专业医生来判断，计算生成的心电数据的真实性，以供后续改进。

以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换，均应包含在本发明的保护范围之内。

Claims (8)

1.一种任意导联视角的心电数据的生成方法，其特征在于，包括以下步骤：

(1)在现有心电数据集中，提取长度为10秒钟的12导联心电数据，对每个心电数据进行波段标注后按照比例分别划分为训练集和测试集；

(2)将所有的心电数据进行标准化操作；

(3)建立基于一维卷积神经网络的AutoEncoder深度学习模型；所述的AutoEncoder深度学习模型由encoder和decoder两部分组成，一维卷积网络的encoder对输入的心电数据在解耦角度信息后提取特征，将提取后的特征耦合进目标导联的角度信息再经过一维卷积网络的decoder，生成目标导联的心电数据；

(4)利用训练集和测试集对AutoEncoder深度学习模型进行训练，直至模型收敛；

(5)根据训练好的模型，输入任意导联数量的心电数据、每个导联在球坐标系下的角度信息以及任意目标导联视角的角度信息；生成目标导联的心电数据。

2.根据权利要求1所述的任意导联视角的心电数据的生成方法，其特征在于，步骤(1)中，进行波段标注具体为：

请专业医生对心电数据进行P波、QRS波群和T波3种心电波段的标注，标注包括P波起始点、QRS波群起始点、QRS波结束点、T波起始点、T波结束点5种点位。

3.根据权利要求1所述的任意导联视角的心电数据的生成方法，其特征在于，步骤(2)的具体过程为：对每一条心电数据进行z-score标准化，使其心电信号强度放缩至统一尺度。

4.根据权利要求1所述的任意导联视角的心电数据的生成方法，其特征在于，步骤(3)中，所述AutoEncoder深度学习模型的具体结构为：

输入的角度信息经多层感知机映射到高维空间后，与经过基于一维卷积网络构建的Encoder提取的心电数据特征解耦，获得角度信息解耦的表征Z；表征Z经过由上采样与一维卷积网络构建的Decoder，获得低维空间的心电数据特征，再与经过多层感知机映射到高维空间后的目标角度信息耦合，获得耦合目标角度信息的心电数据特征，再经过上采样与一维卷积网络，获得生成的目标导联视角的心电数据。

5.根据权利要求1所述的任意导联视角的心电数据的生成方法，其特征在于，步骤(4)中，模型的训练过程如下：

模型的输入为12导联心电数据中的任意数量导联数据、每个导联在球坐标系下的角度信息以及目标导联视角的角度信息；输出为与心电数据相同长度的、目标导联视角的心电数据；

将生成的心电数据与步骤(2)中的真实数据对比，计算两者之间的距离，并使用对比学习的方法，构建损失函数，以此来调节模型参数，直至模型收敛。

6.根据权利要求5所述的任意导联视角的心电数据的生成方法，其特征在于，训练过程中，对比学习采用监督学习，由三部分组成；

首先，对模型生成的心电数据，与真实数据计算L1距离，作为模型监督的一部分为Loss1；

其次，对于同一份心电图解耦角度信息之后，进行不同导联视角的表征Z之间，使用对比学习方法计算两者的L1距离，作为模型监督的一部分为Loss2；

最后，对于不同的心电图相同的导联数据，在解耦角度信息和提取特征后得到的表征Z后，使用对比学习方法计算两者的L1距离，作为模型监督的最后一部分为Loss3。

7.根据权利要求6所述的任意导联视角的心电数据的生成方法，其特征在于，所述的损失函数为：总损失函数Loss＝Loss1+Loss2+Loss3。

8.根据权利要求1所述的任意导联视角的心电数据的生成方法，其特征在于，步骤(5)中，所述的任意目标导联视角包括但不限于标准12导联和标准18导联的导联视角，为球坐标系下任意一个角度。

Images