CN113743259A - 基于ResOHEM-net的心律失常分类方法及系统 - Google Patents

基于ResOHEM-net的心律失常分类方法及系统 Download PDF

Info

Publication number
CN113743259A
CN113743259A CN202110965643.XA CN202110965643A CN113743259A CN 113743259 A CN113743259 A CN 113743259A CN 202110965643 A CN202110965643 A CN 202110965643A CN 113743259 A CN113743259 A CN 113743259A
Authority
CN
China
Prior art keywords
resohem
net
characteristic diagram
points
classification
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.)
Pending
Application number
CN202110965643.XA
Other languages
English (en)
Inventor
司玉娟
张耕搏
于永恒
刘淘涛
孟晨晨
周嵘嵘
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhuhai Institute Of Science And Technology
Jilin University
Original Assignee
Zhuhai Institute Of Science And Technology
Jilin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhuhai Institute Of Science And Technology, Jilin University filed Critical Zhuhai Institute Of Science And Technology
Priority to CN202110965643.XA priority Critical patent/CN113743259A/zh
Publication of CN113743259A publication Critical patent/CN113743259A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/363—Detecting tachycardia or bradycardia
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Abstract

本发明公开了基于ResOHEM‑net的心律失常分类方法及系统，该方法包括：获取心电波形信号，基于离散小波变换进行消噪处理，并进行R点检测和以拍分割，得到心拍序列，基于马尔可夫变迁场图像化的方法计算得出二维特征图；将所述二维特征图作为训练集的输入矩阵，将所述二维特征图对应的心拍类型值作为训练集的另一输入值，基于ResOHEM‑net神经网络进行模型训练，并通过SGD优化算法和OHEM模块对网络参数进行优化，得到训练好的心拍分类模型；接收待分类的所述心电波形信号对应的所述二维特征图，基于训练好的所述心拍分类模型，获得心拍分类类型。本发明基于ResOHEM‑net神经网络对心拍特征图进行建模，提高了心律失常分类系统的抗数据倾斜能力及分类准确率。

Description

基于ResOHEM-net的心律失常分类方法及系统
技术领域
本发明涉及心律类型识别的技术领域，特别涉及一种基于ResOHEM-net的心律失常分类方法及系统。
背景技术
全世界有数百万人患有心血管疾病，而其最主要的原因是心律失常，对心律失常的快速诊断和精准施救可以最大程度的降低其带来的伤害
现有的主流心律失常分类方法主要为统计模式识别和人工神经网络，统计模式识别依赖于模式空间的人为构建，主要依靠研究者的专业知识搭建相关的特征参数，但这不仅消耗研究者大量的时间，前期的知识水平良莠不齐使得模型构建压力倍增，后期的特征挑选也需要研究者再三斟酌。并且人为挑选的特征存在认知瓶颈，在识别准确率上有待提高。人工神经网络不需要人为提取和挑选特征参数，而是通过神经网络的卷积结构将数据中的高维特征提取出来进行训练，这为研究人员节省了大量的时间成本。同时，神经网络层数的增加会在一定程度上提升模型的性能，可深层的神经网络易出现梯度消失的问题。另一方面，层数较少的神经网络虽然训练时间少可模型准确率不高，而多层的神经网络在搭建时需要大量调参寻优和训练，在准确率和时间消耗的取舍上也是一个难题。并且神经网络需要大量的数据来训练模型，而由于心律失常系统的特殊性，必然有一些数量不多的带病心拍类型不足以让神经网络被充分训练，由此产生的数据倾斜问题也是研究的永恒话题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于ResOHEM-net的心律失常分类方法，能够改善由于数据倾斜导致的模型性能下降问题，且在较少的时间消耗下取得较高的识别准确率。
本发明还提出一种具有上述基于ResOHEM-net的心律失常分类方法的基于ResOHEM-net的心律失常分类系统。
本发明还提出一种具有上述基于ResOHEM-net的心律失常分类方法的计算机可读存储介质。
根据本发明的第一方面实施例的基于ResOHEM-net的心律失常分类方法，一种基于ResOHEM-net的心律失常分类方法，其特征在于，包括以下步骤：获取心电波形信号，基于离散小波变换进行消噪处理，并进行R点检测和以拍分割，得到心拍序列，基于马尔可夫变迁场图像化的方法计算得出二维特征图；将所述二维特征图作为训练集的输入矩阵，将所述二维特征图对应的心拍类型值作为训练集的另一输入值，基于ResOHEM-net神经网络进行模型训练，并通过SGD优化算法和OHEM模块对网络参数进行优化，得到训练好的心拍分类模型；接收待分类的所述心电波形信号对应的所述二维特征图，基于训练好的所述心拍分类模型，获得心拍分类类型。
根据本发明实施例的基于ResOHEM-net的心律失常分类方法，至少具有如下有益效果：通过马尔科夫变迁场图像化对心电信号进行特征提取，基于ResOHEM-net神经网络对心拍特征图进行建模，实现短时间内对数据倾斜问题的改善，提高了心拍类型的分类准确率。
根据本发明的一些实施例，所述获取心电波形信号，基于离散小波变换进行消噪处理，并进行R点检测和以拍分割，得到心拍序列包括：基于离散小波变换去除所述心电波形信号中的基线漂移和工频干扰，得到消噪心电信号；对所述消噪心电信号通过Matlab进行解析，获取相应的所述R点，并根据心拍产生的规律，对得到的R点前取150个点，后取149个点，形成共300个点的最优所述心拍序列，覆盖有效心拍信息的同时方便后续图像化处理。
根据本发明的一些实施例，基于马尔可夫变迁场图像化的方法计算得出二维特征图包括：通过Min-Max Scaler的方式将所述心拍序列缩放到[-1,1]上；将所述心拍序列按取值范围划分为Q个bins，每个数据点i属于一个唯一的qi(∈{1,2,...,Q})；构建马尔可夫转移矩阵W，矩阵尺寸为：[Q,Q],其中Wi,j由qi中的数据被qj中的数据紧邻的频率决定，计算过程为：
Figure BDA0003223849550000031
构建马尔可夫变迁场M，矩阵的尺寸为：[n,n]，M[i,j]的值为W[qi,qj]，最后得到MTF矩阵：
Figure BDA0003223849550000032
根据本发明的一些实施例，所述基于ResOHEM-net的神经网络的结构包括卷积层、分类层以及反馈层；所述卷积层包括残差网络resnet18，接收所述二维特征图，经过一个7x7感受野的卷积层提取大范围的特征，随后经过池化处理送入4层Layer层，每一层Layer层由两个残差块Basicblock组成。
根据本发明的一些实施例，所述反馈层中，OHEM模块的SGD优化算法同步工作，在SGD算法每一个Batch_size中选出LOSS最高的一部分样例，LOSS计算的方法为：
Figure BDA0003223849550000033
根据本发明的一些实施例，所述基于ResOHEM-net的神经网络中，迭代更新梯度函数的最小值，获取所述梯度函数取最小值时相应的损失值函数值并保存，所述梯度函数为：
xt+1＝xt-ηtgt
其中，xt及xt+1分别表示第t步的位置与t+1步的位置，ηt表示步长，gt表示随机梯度，它满足
Figure BDA0003223849550000034
为导数。
根据本发明的第二方面实施例的基于ResOHEM-net的心律失常分类系统，包括：预处理模块，用于获取心电波形信号，基于离散小波变换进行消噪处理，并进行R点检测和以拍分割，得到心拍样本，基于马尔可夫变迁场图像化的方法计算得出二维特征图；训练模块，用于将所述二维特征图作为训练集的输入矩阵，将所述二维特征图对应的心拍类型值作为训练集的另一输入值，基于ResOHEM-net神经网络进行模型训练，并通过SGD优化算法和OHEM模块对网络参数进行优化，得到训练好的心拍分类模型；识别模块，用于接收待分类的所述心电波形信号对应的所述二维特征图，基于训练好的所述心拍分类模型，获得心拍分类类型。
根据本发明实施例的基于ResOHEM-net的心律失常分类系统，至少具有如下有益效果：通过马尔科夫变迁场图像化对心电信号进行特征提取，基于ResOHEM-net神经网络对心拍特征图进行建模，实现短时间内对数据倾斜问题的改善，提高了心拍类型的分类准确率。
根据本发明的一些实施例，所述预处理模块包括：消噪模块，用于基于离散小波变换去除所述心电波形信号中的基线漂移和工频干扰，得到消噪心电信号；分割模块，用于通过Matlab对所述消噪心电信号进行解析，获取相应的所述R点，并根据得到的R点前取150个点，后取149个点，形成共300个点的所述心拍序列；图像化模块，用于基于马尔可夫变迁场图像化的方法对所述心拍序列计算得出二维特征图。
根据本发明的第三方面实施例的计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据本发明的第一方面实施例的方法。
根据本发明实施例的计算机可读存储介质，至少具有与本发明的第一方面实施例的方法同样的有益效果。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例的方法的流程示意图；
图2为本发明实施例中的方法的处理流程及处理后相应的结果示意图；
图3为本发明实施例中心电特征点的示意图；
图4为本发明实施例中马尔可夫变迁场图像化转换得到二维特征图示意图；
图5为本发明实施例中的ResOHEM-net神经网络结构示意图；
图6为本发明实施例中的basicblock1的结构示意；
图7为本发明实施例中的basicblock2的结构示意；
图8为本发明实施例的生成MTF矩阵的流程示意图；
图9为本发明实施例中为ResOHEM-net神经网络对MTF矩阵的处理流程示意图；
图10为五类心拍分类的十折交叉验证混淆矩阵；
图11为本发明实施例的系统的内部模块示意框图。
附图标记：
预处理模块100、训练模块200、识别模块300；
消噪模块110、分割模块120、图像化模块130。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个及两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。在本发明的描述中，步骤标号仅是为了描述的方便或者引述的方便所作出的标识，各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
名词解释：
OHEM：Online Hard Example Mining，在线硬例挖掘算法，是一个目标检测领域的检查ROI的方法。OHEM方法基于HEM方法，使其可以与SGD(stochastic gradient descent，随机梯度下降)方法同步训练，从而使方法省去了固定模型，再分辨目标框对错的麻烦。
参照图1，本发明的实施例的方法包括：获取心电波形信号，基于离散小波变换进行消噪处理，并进行R点检测和以拍分割，得到心拍序列，基于马尔可夫变迁场图像化的方法计算得出二维特征图；将二维特征图作为训练集的输入矩阵，将二维特征图对应的心拍类型值作为训练集的另一输入值，基于ResOHEM-net神经网络进行模型训练，并通过SGD优化算法和OHEM模块对网络参数进行优化，得到训练好的心拍分类模型；接收待分类的心电波形信号对应的二维特征图，基于训练好的心拍分类模型，获得心拍分类类型。
如图2所示，为本发明的一个实施流程，先通过Matlab将得到的MIT-BIH心律失常数据库中212格式的数据进行解析处理，得到带噪声的原始信号后；并以db4小波为小波基做离散小波变换来去除原信号中包含的噪声；然后根据解析出的心拍数据标签对R点前后进行分割，得到300个点为一个单位的心拍序列(心电信号波形及特征点如图3所示)。为了保留循环依赖关系以及最大程度的保留心电信号中的有效特征，随后使用马尔科夫变迁场的方法将得到的心拍序列图像化，转化为二维矩阵。接着，将所有数据集分为9份训练1份测试，把训练集中二维矩阵和与之对应的心拍类型标签作为神经网络的输入来训练神经网络，之后再用测试集的数据和标签来测试所训练的模型性能。
本发明的实施例中，对心律失常分类模型的训练过程，包括如下步骤：
步骤1：通过Matlab软件对MIT-BIH数据库中的212格式心电信号进行解析，获取心电信号及对应的心拍类型值，用来模型的训练与测试。
步骤2：对Matlab解析提取后的心电信号进行去噪处理。
通过离散小波变换(Discrete wavelet transform,DWT)去除采集到的心电信号中的基线漂移和高频干扰。基线漂移是由于在采集数据时放大电路不稳定还有呼吸移动造成的，高频干扰是由于50HZ的工频干扰。小波变换是一种信号时频分析法，经过小波变换可以充分凸显某些特征，伸缩平移运算处理信号，实现信号的多尺度细化，从而实现多分辨率分析。经过离散小波变化分解后，对各层的小波系数进行阈值量化处理，消除噪声，最后实现信号的重构，重构后的信号即为消除噪声后的心电信号。
步骤3：对于得到的心拍信号212格式标签数据进行解析，得到特征点R点位置，并根据提取到的R点进行心拍分割，得到300个点为一个单位的心拍序列。
步骤4：根据步骤3提取到的心拍序列通过马尔科夫变迁场的方法变换为二维图像。并对心拍图像大小进行选择，确立模型训练集的输入值，将步骤1得到的对应心拍类型值作为训练集的标签值。通过OHEM(在线硬例挖掘算法)对模型参数进行优化，最终确立了心拍特征图与心拍类型之间的心拍分类模型。
本发明的实施例中，对于心电信号进行去噪预处理采用的是离散小波变换(Discrete wavelet transform,DWT),离散小波变换是对基本小波的尺度因子a和平移因子b进行离散化，a＝a0 j，b＝ka0 jb0，j，k∈Z，离散小波变换函数如公式(1)所示。
φj.k(t)＝a0 -j/2φ(a0 -jt-kb0) (1)
离散小波变换系数为
Figure BDA0003223849550000071
小波逆变换的公式为
Figure BDA0003223849550000072
其中φ(t)代表基本小波，也就我们常说的小波基，c为常数。
含有噪声的信号表达式如公式(4)所示。
S(t)＝f(t)+σ·e(t) t＝0，1，…，n-1 (4)
其中f(t)表示我们通过去噪操作要得到的真实信号，e(t)表示噪声。S(t)表示带有噪声的信号。经过小波分解后，对各层的小波系数进行阈值量化处理，消除噪声；最后进行小波的逆变换，实现信号的重构，重构后的信号被我们判定为消除噪声后的原始心电信号。
对于步骤3中心拍特征点的提取方法包括：从MIT-BIH中给到的212格式标签文件中用Matlab进行提取标签。
本发明的实施例采用基于ResOHEM-net神经网络进行模型的训练与预测。对于该模型的输入为基于步骤4得到的二维特征图像。图像化操作如图8所示，步骤如下：
操作一：首先用Min-Max Scaler的方式将步骤3中得到的心电信号序列的幅值缩放到[-1,1]上，即对心电信号序列的幅值进行归一化，以便后续的图像化实现。
操作二：然后将序列数据(长度为300)按照其取值范围划分为Q个bins(类似于分位数)，每个数据点i属于一个唯一的qi(∈{1,2,...,Q})。
操作三：构建马尔可夫转移矩阵W，矩阵尺寸为：[Q,Q],其中Wi,j由qi中的数据被qj中的数据紧邻的频率决定，计算过程如公式(5)。
操作四：构建马尔可夫变迁场M，矩阵的尺寸为：[n,n]，M[i,j]的值为W[qi,qj]，最后得到MTF矩阵(马尔可夫变迁场矩阵)如公式(6)。具体的图像化过程如图4所示。确立完输入输出之后，通过训练得到基于ResOHEM-net神经网络的心律失常分类模型。
Figure BDA0003223849550000081
Figure BDA0003223849550000082
本发明实施例中，基于ResOHEM-net的神经网络在结构上由三层构成，整体结构图如图5所示，分别为卷积层(convolution layer)、分类层(classification layer)、反馈层(feedback layer)。卷积层主要由残差网络resnet18组成，将图像化得到的100x100的特征图送入卷积层，经过一个7x7感受野的卷积层提取大范围的特征，随后经过池化处理送入4层Layer层，每一层Layer层由两个残差块Basicblock组成，一个残差块可以表示为：
xl+1＝xl+F(xl,Wl) (7)
残差块分成两部分直接映射部分和残差部分。h(xl)是直接映射，反应在图6和图7中是左边的曲线；F(xl,Wl)是残差部分，一般是由两个或三个卷积操作构成，即图6和图7中右侧包含卷积的部分。图中的Weight在卷积网络中是指卷积操作，addition是指单位加操作。在卷积网络中，Xl可能和Xl+1的Feature Map的数量不一样，这时候就需要使用图7中1x1卷积进行升维或者降维。这时，残差块表示为：
Xl+1＝h(xl)+F(xl,Wl) (8)
其中h(xl)＝Wl'x。其中Wl'是1x1卷积操作。
对于一个更深的层L,其与l层的关系可以表示为：
Figure BDA0003223849550000091
由公式(9)可知，L层可以表示为任意一个比它浅的l层和他们之间的残差部分之和。根据BP中使用的导数的链式法则，损失函数ε关于xl的梯度可以表示为：
Figure BDA0003223849550000092
由公式(10)，在整个训练过程中，
Figure BDA0003223849550000093
不可能一直为-1，也就是说在残差网络中不会出现梯度消失的问题，另一方面
Figure BDA0003223849550000094
表示L层的梯度可以直接传递到任何一个比它浅的l层。因此当用它识别不同类型的心拍时，无论是形态相似与否，都可以获得很好的学习率，信息可以通畅的在高层和低层之间相互传导，这也是选择该模型的初衷。
分类层使用softmax模块，它将多个神经元的输出映射到(0,1)区间内，通过公式：
Figure BDA0003223849550000095
得到每个元素的softmax值x1,x2,x3,x4,x5，其中，ei和ej代表i和j位置的元素，由于概率的性质，这些值的累加和为1，在最后选取输出结点的时候，我们就可以选取概率最大(也就是值对应最大的)结点作为我们的预测目标。
反馈层是由OHEM(在线硬例挖掘算法)模块构成的，它是HEM(硬例挖掘算法)的提升版，省去了先固定模型再选择样本的复杂操作，直接和SGD结合起来。它最初用来识别目标检测领域的ROI，将它应用在心律失常分类系统中，与SGD算法同步工作，在SGD算法每一个Batch_size中选出LOSS最高的一部分样例，LOSS计算表达式如公式(12)所示。
Figure BDA0003223849550000101
然后通过反向传播更新参数，不断的迭代训练来增加困难训练样本的权重，以此来提高对困难样本的识别能力，进而提高模型的性能和准确率。
经过OHEM模块的优化，可以改善神经网络因数据倾斜，训练不充分而导致的模型性能下降，最后利用优化后的网络模型实现心律失常的分类。
图9为ResOHEM-net神经网络对数据处理的步骤(输入数据为马尔科夫矩阵)，包括如下步骤。
第一步、首先，设定SGD(随机梯度下降算法)的权重系数w，动量参数m，学习因子lr，训练轮数epoch，样本数量大小Batch_size。
第二步、将马尔科夫矩阵送入ResOHEM-net的卷积层进行特征提取得到特征矩阵X＝[x1,x2,...xn]。
第三步、对得到的特征矩阵进行池化处理以减少特征参数，然后反复进行卷积和池化得到高维抽象特征矩阵Y＝[y1,y2,...yn]。
第四步、将得到的高维矩阵送入分类层，使用softmax分类器，根据公式
Figure BDA0003223849550000102
算出五分类每一类的分类概率。
第五步、根据公式
Figure BDA0003223849550000103
和每一次数据的标签值算出每个样本的LOSS值，分类正确时，yj取值为1，否则取值为0。
第六步、筛选出每批batch_size中的前20个样本，对其余样本进行丢弃处理，即不将本次计算结果反向传播以更新网络。
第七步、将前20个样本的计算结果，进行反向传播更新网络的权重和参数，对网络进行优化，反复操作直到达到指定的训练轮数(本文轮数取10)，将最优训练权重参数保存到ResOHEM-net神经网路的训练模型中。
第八步、根据得到的模型对五类心拍进行分类。
本发明的实施例的系统进行可行性验证试验。本发明采取的验证方法为：混淆矩阵和准确率(Accuracy，图10中对应列Acc)、精确率(Precision，图10中对应列Pc)、召回率(Recall，图10中对应列Re)、特异度(Specificity，图10中对应列Spe)和F1-分数(score，图10中对应列F1-Score)的评价指标。他们的计算公式如下：
Figure BDA0003223849550000111
Figure BDA0003223849550000112
Figure BDA0003223849550000113
Figure BDA0003223849550000114
Figure BDA0003223849550000115
其中TP代表真实值是真，模型认为是真的数量；FN代表真实值是真，模型认为是假的数量；FP代表真实值是假，模型认为是真的数量；TN代表真实值是假，模型认为是假的数量。
通过本发明的实施例的系统对MIT-BIH数据库中五类心拍进行了分类测试，总数据集为MIT-BIH中每个MLII导联信号，结果如图10所示。由图10可知，本发明实施例的方法在识别率上达到了很不错的效果。
本发明实施例的系统，其内部模块如图11所示，包括如下模块。预处理模块100，用于获取心电波形信号，基于离散小波变换进行消噪处理，并进行R点检测和以拍分割，得到心拍样本，基于马尔可夫变迁场图像化的方法计算得出二维特征图。训练模块200，用于将二维特征图作为训练集的输入矩阵，将二维特征图对应的心拍类型值作为训练集的另一输入值，基于ResOHEM-net神经网络进行模型训练，并通过SGD优化算法和OHEM模块对网络参数进行优化，得到训练好的心拍分类模型。识别模块300，用于接收待分类的心电波形信号对应的二维特征图，基于训练好的心拍分类模型，获得心拍分类类型。
其中，预处理模块100包括：消噪模块110，用于基于离散小波变换去除心电波形信号中的基线漂移和工频干扰，得到消噪心电信号；分割模块120，用于通过Matlab对消噪心电信号进行解析，获取相应的R点，并根据得到的R点前取150个点，后取149个点，形成共300个点的心拍序列；图像化模块130，用于基于马尔可夫变迁场图像化的方法对心拍序列计算得出二维特征图。
尽管本文描述了具体实施方案，但是本领域中的普通技术人员将认识到，许多其它修改或另选的实施方案同样处于本公开的范围内。例如，结合特定设备或组件描述的功能和/或处理能力中的任一项可以由任何其它设备或部件来执行。另外，虽然已根据本公开的实施方案描述了各种例示性具体实施和架构，但是本领域中的普通技术人员将认识到，对本文所述的例示性具体实施和架构的许多其它修改也处于本公开的范围内。
上文参考根据示例性实施方案所述的系统、方法、系统和/或计算机程序产品的框图和流程图描述了本公开的某些方面。应当理解，框图和流程图中的一个或多个块以及框图和流程图中的块的组合可分别通过执行计算机可执行程序指令来实现。同样，根据一些实施方案，框图和流程图中的一些块可能无需按示出的顺序执行，或者可以无需全部执行。另外，超出框图和流程图中的块所示的那些部件和/或操作以外的附加部件和/或操作可存在于某些实施方案中。
因此，框图和流程图中的块支持用于执行指定功能的装置的组合、用于执行指定功能的元件或步骤的组合以及用于执行指定功能的程序指令装置。还应当理解，框图和流程图中的每个块以及框图和流程图中的块的组合可以由执行特定功能、元件或步骤的专用硬件计算机系统或者专用硬件和计算机指令的组合来实现。
本文所述的程序模块、应用程序等可包括一个或多个软件组件，包括例如软件对象、方法、数据结构等。每个此类软件组件可包括计算机可执行指令，所述计算机可执行指令响应于执行而使本文所述的功能的至少一部分(例如，本文所述的例示性方法的一种或多种操作)被执行。
软件组件可以用各种编程语言中的任一种来编码。一种例示性编程语言可以为低级编程语言，诸如与特定硬件体系结构和/或操作系统平台相关联的汇编语言。包括汇编语言指令的软件组件可能需要在由硬件架构和/或平台执行之前由汇编程序转换为可执行的机器代码。另一种示例性编程语言可以为更高级的编程语言，其可以跨多种架构移植。包括更高级编程语言的软件组件在执行之前可能需要由解释器或编译器转换为中间表示。编程语言的其它示例包括但不限于宏语言、外壳或命令语言、作业控制语言、脚本语言、数据库查询或搜索语言、或报告编写语言。在一个或多个示例性实施方案中，包含上述编程语言示例中的一者的指令的软件组件可直接由操作系统或其它软件组件执行，而无需首先转换成另一种形式。
软件组件可存储为文件或其它数据存储构造。具有相似类型或相关功能的软件组件可一起存储在诸如特定的目录、文件夹或库中。软件组件可为静态的(例如，预设的或固定的)或动态的(例如，在执行时创建或修改的)。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (9)

1.一种基于ResOHEM-net的心律失常分类方法，其特征在于，包括以下步骤：
获取心电波形信号，基于离散小波变换进行消噪处理，并进行R点检测和以拍分割，得到心拍序列，基于马尔可夫变迁场图像化的方法计算得出二维特征图；
将所述二维特征图作为训练集的输入矩阵，将所述二维特征图对应的心拍类型值作为训练集的另一输入值，基于ResOHEM-net神经网络进行模型训练，并通过SGD优化算法和OHEM模块对网络参数进行优化，得到训练好的心拍分类模型；
接收待分类的所述心电波形信号对应的所述二维特征图，基于训练好的所述心拍分类模型，获得心拍分类类型。
2.根据权利要求1所述的基于ResOHEM-net的心律失常分类方法，其特征在于，所述获取心电波形信号，基于离散小波变换进行消噪处理，并进行R点检测和以拍分割，得到心拍序列包括：
基于离散小波变换去除所述心电波形信号中的基线漂移和工频干扰，得到消噪心电信号；
对所述消噪心电信号通过Matlab进行解析，获取相应的所述R点，并根据心拍产生的规律，对得到的R点前取150个点，后取149个点，形成共300个点的最优所述心拍序列，一方面覆盖几乎所有的心拍有效信息，另一方面方便后续的图像化处理。
3.根据权利要求2所述的基于ResOHEM-net的心律失常分类方法，其特征在于，基于马尔可夫变迁场图像化的方法计算得出二维特征图包括：
通过Min-Max Scaler的方式将所述心拍序列缩放到[-1,1]上；
将所述心拍序列按取值范围划分为Q个bins，每个数据点i属于一个唯一的qi(∈{1,2,...,Q})；
构建马尔可夫转移矩阵W，矩阵尺寸为：[Q,Q],其中Wi,j由qi中的数据被qj中的数据紧邻的频率决定，计算过程为：
Figure FDA0003223849540000021
构建马尔可夫变迁场M，矩阵的尺寸为：[n,n]，M[i,j]的值为W[qi,qj]，最后得到马尔可夫变迁场矩阵(MTF)：
Figure FDA0003223849540000022
4.根据权利要求1所述的基于ResOHEM-net的心律失常分类方法，其特征在于，所述基于ResOHEM-net的神经网络的结构包括卷积层、分类层以及反馈层；所述卷积层包括残差网络resnet18，接收所述二维特征图，经过一个7x7感受野的卷积层提取大范围的特征，随后经过池化处理送入4层Layer层，每一层Layer层由两个残差块Basicblock组成。
5.根据权利要求4所述的基于ResOHEM-net的心律失常分类方法，其特征在于，所述反馈层中，OHEM模块的SGD优化算法同步工作，在SGD算法每一个Batch_size中选出LOSS最高的一部分样例，LOSS计算的方法为：
Figure FDA0003223849540000023
6.根据权利要求1所述的基于ResOHEM-net的心律失常分类方法，其特征在于，所述基于ResOHEM-net的神经网络中，迭代更新梯度函数的最小值，获取所述梯度函数取最小值时相应的损失值函数值并保存，所述梯度函数为：
xt+1＝xt-ηtgt
其中，xt及xt+1分别表示第t步的位置与t+1步的位置，ηt表示步长，gt表示随机梯度，它满足
Figure FDA0003223849540000024
为导数。
7.一种基于ResOHEM-net的心律失常分类系统，用于执行权利要求1至6中任一项的方法，其特征在于，包括：
预处理模块，用于获取心电波形信号，基于离散小波变换进行消噪处理，并进行R点检测和以拍分割，得到心拍样本，基于马尔可夫变迁场图像化的方法计算得出二维特征图；
训练模块，用于将所述二维特征图作为训练集的输入矩阵，将所述二维特征图对应的心拍类型值作为训练集的另一输入值，基于ResOHEM-net神经网络进行模型训练，并通过SGD优化算法和OHEM模块对网络参数进行优化，得到训练好的心拍分类模型；
识别模块，用于接收待分类的所述心电波形信号对应的所述二维特征图，基于训练好的所述心拍分类模型，获得心拍分类类型。
8.根据权利要求7所述的基于ResOHEM-net的心律失常分类系统，其特征在于，所述预处理模块包括：
消噪模块，用于基于离散小波变换去除所述心电波形信号中的基线漂移和工频干扰，得到消噪心电信号；
分割模块，用于通过Matlab对所述消噪心电信号进行解析，获取相应的所述R点，并根据得到的R点前取150个点，后取149个点，形成共300个点的所述心拍序列；
图像化模块，用于基于马尔可夫变迁场图像化的方法对所述心拍序列计算得出二维特征图。
9.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至6中任一项的方法。
CN202110965643.XA 2021-08-23 2021-08-23 基于ResOHEM-net的心律失常分类方法及系统 Pending CN113743259A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110965643.XA CN113743259A (zh) 2021-08-23 2021-08-23 基于ResOHEM-net的心律失常分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110965643.XA CN113743259A (zh) 2021-08-23 2021-08-23 基于ResOHEM-net的心律失常分类方法及系统

Publications (1)

Publication Number Publication Date
CN113743259A true CN113743259A (zh) 2021-12-03

Family

ID=78732147

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110965643.XA Pending CN113743259A (zh) 2021-08-23 2021-08-23 基于ResOHEM-net的心律失常分类方法及系统

Country Status (1)

Country Link
CN (1) CN113743259A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116342961A (zh) * 2023-03-30 2023-06-27 重庆师范大学 基于混合量子神经网络的时间序列分类深度学习系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447018A (zh) * 2018-11-08 2019-03-08 天津理工大学 一种基于改进Faster R-CNN的道路环境视觉感知方法
CN112329609A (zh) * 2020-11-03 2021-02-05 山东大学 基于2d心拍的特征融合迁移学习心律失常分类系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447018A (zh) * 2018-11-08 2019-03-08 天津理工大学 一种基于改进Faster R-CNN的道路环境视觉感知方法
CN112329609A (zh) * 2020-11-03 2021-02-05 山东大学 基于2d心拍的特征融合迁移学习心律失常分类系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZEESHAN AHMAD 等: "ECG HEART-BEAT CLASSIFICATION USING MULTIMODAL IMAGE FUSION", 《ICASSP 2021》, pages 1330 - 1334 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116342961A (zh) * 2023-03-30 2023-06-27 重庆师范大学 基于混合量子神经网络的时间序列分类深度学习系统
CN116342961B (zh) * 2023-03-30 2024-02-13 重庆师范大学 基于混合量子神经网络的时间序列分类深度学习系统

Similar Documents

Publication Publication Date Title
US20220059229A1 (en) Method and apparatus for analyzing medical treatment data based on deep learning
CN111160139B (zh) 心电信号的处理方法、装置及终端设备
Sori et al. DFD-Net: lung cancer detection from denoised CT scan image using deep learning
CN110020623B (zh) 基于条件变分自编码器的人体活动识别系统及方法
US8094904B2 (en) Method and system for bone suppression based on a single x-ray image
CN110097130A (zh) 分类任务模型的训练方法、装置、设备及存储介质
CN111862009B (zh) 一种眼底oct图像的分类方法及计算机可读存储介质
Khan et al. Automated classification of lung sound signals based on empirical mode decomposition
CN108764280B (zh) 一种基于症状向量的医学数据处理方法和系统
CN112149717A (zh) 基于置信度加权的图神经网络训练方法及装置
Kazlauskaite et al. Gaussian process latent variable alignment learning
Bagaria et al. Bone fractures detection using support vector machine and error backpropagation neural network
Peixoto et al. Automatic classification of pulmonary diseases using a structural co-occurrence matrix
CN113743259A (zh) 基于ResOHEM-net的心律失常分类方法及系统
Sinha et al. HSCAD: Heart sound classification for accurate diagnosis using machine learning and MATLAB
Ozsen et al. Use of kernel functions in artificial immune systems for the nonlinear classification problems
CN113469218A (zh) 基于深度学习的心电信号危急值处理方法、系统及介质
CN110414562B (zh) X光片的分类方法、装置、终端及存储介质
CN114224354B (zh) 心律失常分类方法、装置及可读存储介质
Song et al. Automatic identification of atrial fibrillation based on the modified Elman neural network with exponential moving average algorithm
CN116172573A (zh) 一种基于改进的Inception-ResNet-v2的心律失常图像分类方法
CN112560784B (zh) 一种基于动态多尺度卷积神经网络的心电图分类方法
CN109191425A (zh) 医学影像分析方法
CN111476282A (zh) 数据分类方法、装置、存储介质及电子设备
CN113989576A (zh) 一种结合小波变换和张量网络的医学图像分类方法

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