CN113509186A - 基于深度卷积神经网络的ecg分类系统与方法 - Google Patents

Abstract

本发明涉及医学图像处理领域，公开了一种基于深度卷积神经网络的ECG分类系统与方法，解决如何提高ECG分类准确性的技术问题，包括数据采集模块、数据预处理模块、ECG分类模块与分类结果显示模块；所述数据预处理模块用于对原始ECG信号进行降噪和心跳分割，将降噪后的ECG信号分割成无数个心跳，相邻两个心跳作为一个样本送至ECG分类模块；所述ECG分类模块为通过样本集与focal loss函数迭代训练完成后的深度卷积神经网络，具备对样本进行分类的能力；Focal loss函数解决了类别不平衡问题。本发明能够提高ECG的分类性能，总体准确率、平均F1‑score、AUC分别达到98.65%、75.08%、99.48%。

Description

基于深度卷积神经网络的ECG分类系统与方法

技术领域

本发明涉及医学图像处理领域，尤其涉及ECG图像分类技术领域。

背景技术

心血管疾病(Cardiovascular disease，CVD)是威胁人类健康的主要疾病之一，心电图(Electrocardiogram,ECG)是检查和诊断心血管疾病的常用方法。ECG是心脏搏动过程中产生的生物电变化在体表形成微弱电反应，并通过电位波形图呈现出来。由于ECG具有诊断可靠、便捷、无创等优势，在临床上普遍使用ECG作为诊断心电异常的重要依据。心电异常诊断，需要经验丰富的医生肉眼观察和诊断ECG的特征信息，其结果较为准确，但人体每分钟有60～100个心动周期，心电数据量较大。若持续人工筛查非常耗时、耗力，且误诊率和漏诊率较高。在ECG诊断技术中，ECG分类技术是最重要的研究目标。因此，心电图的精确分类对风险评估对及时干预心血管疾病具有重要意义。

在医学数据中，特别是ECG数据，由于正常样本的数量往往多于疾病样本，数据类别极不平衡。数据的类别平衡性较差时，大部分观测结果为正常样本，不能为模型提供学习的好处。此外，正常样本会占据训练的主导地位，导致分类器更倾向于拥有大量样本的类别。改善数据的不平衡性一般有两种解决方案，方案一采用上采样，复制数据量较少类，直到和其他类数量一致为止，扩大了数据规模，增加了机器的计算负担。方案二采用下采样，即在训练过程中减少较大类的训练样本，直到所有类的样本数量一致为止，此方案会因丢失一些样本而损失掉部分有用信息。

发明内容

针对上述现有技术的不足，本发明提供一种基于深度卷积神经网络的ECG分类方法，解决如何提高ECG分类准确性的技术问题。

为解决上述问题，本发明的技术方案如下：一种基于深度卷积神经网络的ECG分类系统，包括数据采集模块、数据预处理模块、ECG分类模块与分类结果显示模块；

所述数据采集模块用于从心电监护设备终端读取原始ECG信号，并发送给数据预处理模块；

所述数据预处理模块用于对原始ECG信号进行降噪和心跳分割，将降噪后的ECG信号分割成无数个心跳，相邻两个心跳作为一个样本送至ECG分类模块；

所述ECG分类模块为通过样本集与focal loss函数迭代训练完成后的深度卷积神经网络，具备对样本进行分类的能力；所述样本集包含正样本与负样本，所述正样本是指诊断为心电正常的样本，所述负样本是指诊断为心电异常的样本；将ECG信号分割成若干心跳，相邻两个心跳作为一个样本，并且相邻两个心跳中的后一个心跳为目标心跳，针对目标心跳添加标签；

所述focal loss函数如下：

FL(p_j)＝-α(1-p_j)^γlog(p_j)；

式中，p_j表示深度卷积神经网络的全连接层中Softmax激活函数的输出，即样本所属类别的概率；α表示平衡因子，用来平衡正、负样本本身的比例不均，γ表示速率调节因子，用于调节样本权重降低的速率；

所述分类结果显示模块用于对ECG分类模块的分类结果进行显示。

进一步的，所述深度卷积神经网络包括依次连接的输入层、卷积层、批归一化层、Tanh激活层、残差网络、平均池化层、全连接层与输出层；

所述残差网络包括7个串联的残差模块；每个残差模块通过初级批归一化单元输入，然后依次连接初级Relu激活函数单元、初级卷积单元、次级批归一化单元、次级Relu激活函数单元、卷积单元、Dropout单元与次级卷积单元；所述初级批归一化单元的输入与所述次级卷积单元的输出通过最大池池化单元进行跳跃连接。

本发明还提供一种基于深度卷积神经网络的ECG分类方法，采用上述基于深度卷积神经网络的ECG分类系统，包括以下步骤：

数据采集模块从心电监护设备终端读取原始ECG信号，并发送给数据预处理模块；

预处理模块对原始ECG信号进行降噪和心跳分割，将降噪后的ECG信号分割成无数个心跳，相邻两个心跳作为一个样本送至ECG分类模块；

样本依次通过卷积层、批归一化层、Tanh激活层、残差网络提取特征，再经过平均池化层输出给全连接层；全连接层起到分类器的作用，并通过Softmax激活函数将分类结果转化为概率形式，并通过输出层输出给分类结果显示模块显示。

与现有技术相比，本发明具有以下有益效果：

1、现有技术中采用单一心跳作为样本，然而本发明采用相邻心跳作为样本，考虑到目标心跳的特征变化不仅由目标心跳自身形态特征决定，还受到相邻心跳的动态特征的影响。因此，本发明能够提取更加全面的特征，为提供分类准确性奠定基础。

2、本发明考虑到了ECG数据的特征，即正负样本的不平衡性，本发明采用focalloss函数迭代训练深度卷积神经网络，提高对负样本的分类能力，从而提高了分类准确性。

3、本发明对深度卷积神经网络结构进行了改进，在卷积层后采用Tanh激活而不是Relu激活，因此可以保存卷积核中大量重要的心跳信息并将其输入到下一个残差网络中。同时，本发明的残差网络包括7个串联的残差模块，具有很深的深度，能够提取到更深层次的特征，并且残差模块解决了梯度扩散和梯度爆炸，使有用的信息在深度卷积神经网络中更好的传递。

附图说明

图1为本具体实施方式中基于深度卷积神经网络的ECG分类系统的结构框图；

图2为ECG信号进行心跳分割的示意图；

图3为本具体实施方式中残差模块的结构示意图；

图4为本具体实施方式中ECG分类模块的结构示意图；

图5为本具体实施方式中分类得到的五类心跳的混淆矩阵示意图；

图6为本具体实施方式中分类得到的五类心跳的ROC曲线图。

具体实施方式

参考图1所示，一种基于深度卷积神经网络的ECG分类系统，包括数据采集模块、数据预处理模块、ECG分类模块与分类结果显示模块。

所述数据采集模块用于从心电监护设备终端读取原始ECG信号，并发送给数据预处理模块。

所述数据预处理模块用于对原始ECG信号进行降噪和心跳分割，将降噪后的ECG信号分割成无数个心跳，相邻两个心跳作为一个样本送至ECG分类模块；

首先，通过数据预处理模块将原始输入数据进行降噪处理，主要通过小波阈值去噪对ECG信号中的高频噪声进行滤除，其滤波计算公式为：

其中，W_j,k为含噪信号的小波系数；

为经过阈值处理后的小波数；j为分解尺度；k为系数序号。然后将降噪后的ECG信号分割为心跳。传统分割的心跳都是以单个QRS波作为输入，但是心跳的特征变化不仅由心跳自身形态特征决定，还与相邻心跳的动态特征决定。本发明选择目标心跳和相邻心跳的组合进行分割，目标心跳需要加标签，相邻心跳无需加标签。在分割之前，需进行QRS波的R峰检测，常用的方法有差分阈值法、模板匹配法、小波变化法、神经网络法和数学形态学法，ECG分割效果图如图2所示。

所述ECG分类模块为通过样本集与focal loss函数迭代训练完成后的深度卷积神经网络，具备对样本进行分类的能力；所述样本集包含正样本与负样本，所述正样本是指诊断为心电正常的样本，所述负样本是指诊断为心电异常的样本；将ECG信号分割成若干心跳，相邻两个心跳作为一个样本，并且相邻两个心跳中的后一个心跳为目标心跳，针对目标心跳添加标签；

所述focal loss函数如下：

FL(p_j)＝-α(1-p_j)^γlog(p_j)；

式中，p_j表示深度卷积神经网络的全连接层中softmax激活函数的输出，即即样本所属类别的概率；α表示平衡因子，用来平衡正、负样本本身的比例不均，γ表示速率调节因子，用于调节样本权重降低的速率；

α、γ的值由人工手动调节，使得网络中各个类别的样本权重得到不断的优化，训练完成后深度卷积神经网络中各神经元之间的连接权重得到优化，使分类结果能够满足评价指标。

所述分类结果显示模块用于对ECG分类模块的分类结果进行显示，所述分类结果显示模块通过混淆矩阵的形式对分类结果进行可视化输出。

还包括质量评估模块，用于根据评价指标对分类结果的有效性进行评估；所述评价指标包括每类心跳的准确率Acc、每类心跳的精确率Pp、每类心跳的敏感性Se、每类心跳的特异性Sp、每类心跳的F1-score、总体心跳的准确率overall accuracy以及受试者工作特性曲线ROC下面积AUC。

F1-score(F1)评分是衡量召回率(敏感性)和准确率之间平衡的关键指标。对于不平衡类，F1是评价分类模型性能最合适的指标。曲线下面积(Area under roc curve,AUC)是指受试者工作特征(receiver operating characteristic,ROC)曲线下面积，即灵敏度与假阳性率(false positive rate,FPR)之比。对于多类分类模型，AUC是衡量模型性能最常用的指标。AUC值越高，模型的性能越好。

计算公式如下：

其中TP、TN、FP、FN分别为真阳性(True Positive)、真阴性(True Negative)、假阳性(False Positive)、假阴性(False Negative)。对于某种类型的心跳，TP被判定为阳性样本，实际上它被归类为阳性样本；TN判定为阴性样本，实际上属于阴性样本；FP被判定为阳性样本，但实际上它被归类为阴性样本；FN被判定为阴性样本，但实际上被归类为阳性样本。

参考图3～图4所示，本具体实施方式中，所述深度卷积神经网络包括依次连接的输入层、卷积层、批归一化层、Tanh激活层、残差网络、平均池化层、全连接层与输出层；

所述残差网络包括7个串联的残差模块；每个残差模块通过初级批归一化单元输入，然后依次连接初级Relu激活函数单元、初级卷积单元、次级批归一化单元、次级Relu激活函数单元、卷积单元、Dropout单元与次级卷积单元；所述初级批归一化单元的输入与所述次级卷积单元的输出通过最大池池化单元进行跳跃连接。

输入(Input)层：主要进行数据输入，包括目标心跳和相邻心跳。

卷积(Conv1D)层：由若干卷积单元组成，每个卷积单元的参数是通过反向传播算法最佳优化得到的，主要作用是提取输入的不同特征。

批归一化((Batch Normalization，BN)层：主要防止梯度爆炸或弥散、加快网络训练，从而提高训练时模型对于不同超参数(学习率、初始化)的鲁棒性，让大部分的激活函数能够远离其饱和区域如公式：

x_i是第i层卷积的输出，μ_β(x_i)和

分是第i层卷积输出后的均值和方差，ε是一个固定常数，防止方差为零时，等式无效。

激活函数层：Tanh激活函数用在第一个卷积神经网络后，可以保存卷积核中大量重要的心跳信息并将其输入到下一个卷积层中。线性整流(Rectified Linear Unit，Relu)激活函数，又称修正线性单元，主要作用是完成数据的非线性变换，解决线性模型的表达、分类能力不足的问题。是神经网络中常用的激活函数，计算速度比Tanh，Sigmoid激活函数快。Softmax激活函数用于多分类过程中，它的作用在输出层将多个神经元的输出映射到(0,1)区间，生成每一类的概率，进而实现多分类。

Dropout层：因为深度卷积神经网络模型复杂，参数量较大，在网络训练时容易出现过拟合现象，造成分类结果较差。其作用是减弱神经元节点间的联合适应性，增强了泛化能力。

池化(Pooling)层：池化通常被称为下采样(Downsampling)，一般用在卷积层输出。通过池化来降低卷积层输出特征图的维度，有效减少网络参数的同时还可以防止过拟合现象。该模型中使用的最大池化(Max pooling)主要用于降低卷积层输出特征图的维度。Average Pooling平均池化对模型进行微调，断调整出现偏差的一些参数，使得模型性能得以提升，并减少过拟合，然后输入到Softmax激活函数中，可再次获得所需的多类概率分布，使得模型性能得以提升，并减少过拟合。

残差网络包括7个串联的残差模块：随着网络深度不断增加，带来了许多的问题。例如梯度扩散，梯度爆炸。使用残差连接使有用的信息在深度卷积神经网络中更好的传递，而不会对网络性能产生任何影响。残差模块如图3所示，计算公式如下：

H(n)＝F(n)+n (3)

n是输入向量，也是上一级残差模块输出的特征映射。H(n)是一个底层映射，通常是一个向量。F(n)是残差函数。n和F(n)的维数应该相等。

全连接(Dense)层：全连接层起到分类器的作用，并通过Softmax激活函数将分类结果转化为概率形式，并通过输出层(Output)输出给分类结果显示模块显示。

构建如下样本集：ECG信号来自MIT-BIH心律失常数据库，它被广泛用于ECG的分类研究。该数据库包含47名受试者的48条心电图记录，其中201条和202条记录来自同一个人。其中男性25例，年龄32～89岁；女性22例，年龄23～89岁。每条记录包含时间长为30分钟、采样率为360Hz和10mV范围的11位分辨率的双通道ECG信号。在大多数记录中，一个信号是通过在胸部放置电极获得的改良肢导联II(MLII)，另一个信号通常是改良的肢导联V1(偶尔是V2或V5、V4)。此外，它还提供了由至少两个独立专家验证的心跳类和标注的R峰位置。根据美国医疗器械进步协会(Association for the Advancement of MedicalInstrumentation，AAMI)制定的AAMI EC57标准，心跳类型主要分为5类，即非异位(N)、室上异位(S)、室异位(V)、融合(F)、未知(Q)。然后通过focal loss函数对分类系统进行训练，分类得到的五类心跳的混淆矩阵示意图如图5所示，分类得到的五类心跳的ROC曲线图如图6所示。

最后的结果表明，本发明能够提高ECG的分类性能，总体准确率、平均F1-score、AUC分别达到98.65％、75.08％、99.48％。

Claims (5)

1.一种基于深度卷积神经网络的ECG分类系统，其特征在于，包括数据采集模块、数据预处理模块、ECG分类模块与分类结果显示模块；

所述数据采集模块用于从心电监护设备终端读取原始ECG信号，并发送给数据预处理模块；

所述数据预处理模块用于对原始ECG信号进行降噪和心跳分割，将降噪后的ECG信号分割成无数个心跳，相邻两个心跳作为一个样本送至ECG分类模块；

所述ECG分类模块为通过样本集与focal loss函数迭代训练完成后的深度卷积神经网络，具备对样本进行分类的能力；所述样本集包含正样本与负样本，所述正样本是指诊断为心电正常的样本，所述负样本是指诊断为心电异常的样本；将ECG信号分割成若干心跳，相邻两个心跳作为一个样本，并且相邻两个心跳中的后一个心跳为目标心跳，针对目标心跳添加标签；

所述focal loss函数如下：

FL(p_j)＝-α(1-p_j)^γlog(p_j)；

式中，p_j表示深度卷积神经网络的全连接层中Softmax激活函数的输出，即样本所属类别的概率；α表示平衡因子，用来平衡正、负样本本身的比例不均，γ表示速率调节因子，用于调节样本权重降低的速率；

所述分类结果显示模块用于对ECG分类模块的分类结果进行显示。

2.根据权利要求1所述的基于深度卷积神经网络的ECG分类系统，其特征在于，所述深度卷积神经网络包括依次连接的输入层、卷积层、批归一化层、Tanh激活层、残差网络、平均池化层、全连接层与输出层；

所述残差网络包括7个串联的残差模块；每个残差模块通过初级批归一化单元输入，然后依次连接初级Relu激活函数单元、初级卷积单元、次级批归一化单元、次级Relu激活函数单元、卷积单元、Dropout单元与次级卷积单元；所述初级批归一化单元的输入与所述次级卷积单元的输出通过最大池池化单元进行跳跃连接。

3.根据权利要求1所述的基于深度卷积神经网络的ECG分类系统，其特征在于，所述分类结果显示模块通过混淆矩阵的形式对分类结果进行可视化输出。

4.根据权利要求1所述的基于深度卷积神经网络的ECG分类系统，其特征在于，还包括质量评估模块，用于根据评价指标对分类结果的有效性进行评估；所述评价指标包括每类心跳的准确率Acc、每类心跳的精确率Pp、每类心跳的敏感性Se、每类心跳的特异性Sp、每类心跳的F1-score、总体心跳的准确率overall accuracy以及受试者工作特性曲线ROC下面积AUC。

5.一种基于深度卷积神经网络的ECG分类方法，其特征在于，采用如权利要求2所述的基于深度卷积神经网络的ECG分类系统，包括以下步骤：

数据采集模块从心电监护设备终端读取原始ECG信号，并发送给数据预处理模块；

预处理模块对原始ECG信号进行降噪和心跳分割，将降噪后的ECG信号分割成无数个心跳，相邻两个心跳作为一个样本送至ECG分类模块；

样本依次通过卷积层、批归一化层、Tanh激活层、残差网络提取特征，再经过平均池化层输出给全连接层；全连接层起到分类器的作用，并通过Softmax激活函数将分类结果转化为概率形式，并通过输出层输出给分类结果显示模块显示。

Images