CN113827251A - 一种基于深度学习的t波电交替检测方法 - Google Patents
一种基于深度学习的t波电交替检测方法 Download PDFInfo
- Publication number
- CN113827251A CN113827251A CN202111245373.1A CN202111245373A CN113827251A CN 113827251 A CN113827251 A CN 113827251A CN 202111245373 A CN202111245373 A CN 202111245373A CN 113827251 A CN113827251 A CN 113827251A
- Authority
- CN
- China
- Prior art keywords
- data
- twa
- electrocardiogram
- wave
- regression model
- 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.)
- Withdrawn
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
- A61B5/24—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
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/355—Detecting T-waves
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Cardiology (AREA)
- Data Mining & Analysis (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于深度学习的T波电交替检测方法,通过使用深度学习的方法,进一步挖掘出T波电交替的特征,利用基于深度学习的T波电交替检测方法,可以有效检测出包含T波电交替的心电波形数据,使用F1值,可以定量分析检测TWA的效果,对TWA识别研究有促进作用。缓解T波电交替的检测尚缺乏医学上的金标准且检测的准确性无法定量分析的问题。
Description
技术领域
本发明涉及心电信号技术领域,具体涉及一种基于深度学习的T波电交替检测方法
背景技术
现有的T波电交替(TWA)的检测方法有谱分析方法、时域分析方法、移动平均修正方法、拉普拉斯似然比等方法及一些类似的改进方法。传统TWA检测方法中波形定位准确率将会影响TWA检测效果且由于TWA尚无准确标准可以参考,各种方法检测效果尚无法确切衡量。
深度学习在近几年取得了重大进展,它已经被证明能够挖掘出高维数据中的复杂结构进行学习。深度学习的优点:1.从结果来看,深度学习的表现非常好,学习能力非常强。2.深度学习的神经网络层数很多,宽度很广,理论上可以映射到任意函数,所以能解决很复杂的问题。3.深度学习高度依赖数据,数据量越大,表现越好,在图像识别,面部识别等任务中已经超过了人类的表现。4.可移植性好,很多框架都可以使用。深度学习的缺点:1.深度学习需要大量的数据进行训练。2.深度学习对算力要求高,普通的CPU已经无法满足深度学习的要求。主流算力都在GPU和TPU,对硬件要求高,成本也高。3.深度学习模型设计复杂。4.由于深度学习依赖数据,可解释性不高。
发明内容
本发明为了克服以上技术的不足,提供了一种有效检测出包含T波电交替的心电波形数据的方法。
本发明克服其技术问题所采用的技术方案是:
一种基于深度学习的T波电交替检测方法,包括如下步骤:
a)准备TWA心电训练数据ALL_ECG,
b)对TWA心电训练数据ALL_ECG进行滤波,消除高频干扰;
c)对滤波后的TWA心电训练数据ALL_ECG去除基线漂移;
d)将去除基线漂移后的TWA心电训练数据ALL_ECG进行归一化处理;
e)对归一化后的的TWA心电训练数据ALL_ECG进行替换、调幅值操作,得到以隔拍变化的T波电交替数据;
f)对步骤e)处理后的TWA心电训练数据ALL_ECG按7:2:1的比例划分为训练集、验证集和测试集;
计算得到logistic regression模型的损失函数Lpro,式中N为样本总数,β及γ为参数,0≤β≤1,0≤γ≤2,α为参数,α取值为0.5,w为权重,||·||1为正则化项,pi为第i个样本的预测值,yi为第i个样本的所属类别,通过损失函数Lpro对logistic regression模型进行优化,在logistic regression模型的优化器中增加schedule层;
h)将测试集输入到优化后的logistic regression模型中,如果logisticregression模型输出为1,表示是TWA数据,如果logistic regression模型输出为0,表示不是TWA数据。
进一步的,步骤b)中采用窗宽为150、截止频率为40Hz的FIR数字低通滤波器对TWA心电训练数据ALL_ECG进行滤波。
进一步的,步骤c)中采用中值滤波器将滤波后的TWA心电训练数据ALL_ECG减采样到50Hz后取窗宽为560ms的长窗,对长窗中70%的中间值求平均值得到当前基线值,将当前基线值重采样到原频率后作为基线被移除。
进一步的,步骤d)中通过公式计算得到导联名称为n的归一化后的心电数据n∈{Ⅰ,Ⅱ,Ⅲ,aVR,aVL,aVF,V1,V2,V3,V4,V5,V6},为获得导联名称为n的全部心电数据,为获得导联名称为n的全部心电数据的最小值,为获得导联名称为n的全部心电数据的最大值。
进一步的,步骤e)包括如下步骤:
e-1)从12导联的Ⅰ、Ⅱ、Ⅲ、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6中随机选择一个导联作为母导联,保持母导联的奇数心博的T波不变,从剩余的11导联中选择T波替换到母导联的偶数心博上与母导联的奇数心博组成波形,完成替换操作;
e-2)从12导联的Ⅰ、Ⅱ、Ⅲ、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6中随机选择一个导联作为母导联,保持母导联的奇数心博的T波不变,使母导联偶数心博的T波按照比例扩大,扩大后的母导联的偶数心博与母导联的奇数心博组成波形,完成调幅值操作。
进一步的,还包括在步骤h)之后执行如下步骤:
i-1)将验证集输入到步骤g)优化后的logistic regression模型中;
i-2)根据公式计算得到T波电交替评估标准值F1,式中TP表示测试数据是TWA心电数据,logisticregression模型预测是TWA心电数据,FP表示测试数据不是TWA心电数据,logisticregression模型预测是TWA心电数据,FN表示测试数据是TWA心电数据,logisticregression模型预测不是TWA心电数据,;
h-3)重复执行步骤g)、i-1)及i-2)直至T波电交替评估标准值F1不增加或重复执行步骤g)、i-1)及i-2)50-100次。
本发明的有益效果是:通过使用深度学习的方法,进一步挖掘出T波电交替的特征,利用基于深度学习的T波电交替检测方法,可以有效检测出包含T波电交替的心电波形数据,使用F1值,可以定量分析检测TWA的效果,对TWA识别研究有促进作用。缓解T波电交替的检测尚缺乏医学上的金标准且检测的准确性无法定量分析的问题。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图1对本发明做进一步说明。
一种基于深度学习的T波电交替检测方法,包括如下步骤:
a)准备TWA心电训练数据ALL_ECG,
b)对TWA心电训练数据ALL_ECG进行滤波,消除高频干扰。
c)对滤波后的TWA心电训练数据ALL_ECG去除基线漂移。
d)将去除基线漂移后的TWA心电训练数据ALL_ECG进行归一化处理。
e)对归一化后的的TWA心电训练数据ALL_ECG进行替换、调幅值操作,得到以隔拍变化的T波电交替数据。
f)对步骤e)处理后的TWA心电训练数据ALL_ECG按7:2:1的比例划分为训练集、验证集和测试集。
g)将训练集输入到优化后的logistic regression模型中,通过公式
计算得到logistic regression模型的损失函数Lpro,式中N为样本总数,β及γ为参数,0≤β≤1,0≤γ≤2,α为参数,α取值为0.5,w为权重,||·||1为正则化项,pi为第i个样本的预测值,yi为第i个样本的所属类别,通过损失函数Lpro对logistic regression模型进行优化,在logistic regression模型的优化器中增加schedule层,增加schedule层,使其能在指定的迭代次数时进行修改学习率使其更快的达到收敛。
h)将测试集输入到优化后的logistic regression模型中,如果logisticregression模型输出为1,表示是TWA数据,如果logistic regression模型输出为0,表示不是TWA数据。
通过使用深度学习的方法,进一步挖掘出T波电交替的特征,利用基于深度学习的T波电交替检测方法,可以有效检测出包含T波电交替的心电波形数据,使用F1值,可以定量分析检测TWA的效果,对TWA识别研究有促进作用。缓解T波电交替的检测尚缺乏医学上的金标准且检测的准确性无法定量分析的问题。
实施例1:
实施例2:
步骤b)中采用窗宽为150、截止频率为40Hz的FIR数字低通滤波器对TWA心电训练数据ALL_ECG进行滤波,使得高频噪声干扰得以有效滤除。
实施例3:
为有效滤除基线漂移,步骤c)中采用中值滤波器将滤波后的TWA心电训练数据ALL_ECG减采样到50Hz后取窗宽为560ms的长窗,对长窗中70%的中间值求平均值得到当前基线值,将当前基线值重采样到原频率后作为基线被移除。
实施例4:
步骤d)中通过公式计算得到导联名称为n的归一化后的心电数据n∈{Ⅰ,Ⅱ,Ⅲ,aVR,aVL,aVF,V1,V2,V3,V4,V5,V6},为获得导联名称为n的全部心电数据,为获得导联名称为n的全部心电数据的最小值,为获得导联名称为n的全部心电数据的最大值。经归一化处理后,12导联心电数据最小值为0.最大值为1,其余点数值均在0到1之间。
实施例5:
步骤e)包括如下步骤:
为了获得足够多的训练数据,本文的方法是首先挑选出诊断报告为正常的心电图,在诊断报告为正常的心电图基础上进行替换操作,替换操作具体方法:e-1)从12导联的Ⅰ、Ⅱ、Ⅲ、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6中随机选择一个导联作为母导联,保持母导联的奇数心博的T波不变,从剩余的11导联中选择T波替换到母导联的偶数心博上与母导联的奇数心博组成波形,完成替换操作;
e-2)从12导联的Ⅰ、Ⅱ、Ⅲ、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6中随机选择一个导联作为母导联,保持母导联的奇数心博的T波不变,使母导联偶数心博的T波按照比例扩大,扩大后的母导联的偶数心博与母导联的奇数心博组成以ABAB....波形,完成调幅值操作。
替换操作和调幅操作都要在T波范围内进行操作,如果替换操作还要注意替换的开始和结束位置一致。
实施例6:
还包括在步骤h)之后执行如下步骤:
i-1)将验证集输入到步骤g)优化后的logistic regression模型中;
i-2)根据公式计算得到T波电交替评估标准值F1,式中TP表示测试数据是TWA心电数据(标签为1),logistic regression模型预测是TWA心电数据(预测为1),FP表示测试数据不是TWA心电数据(标签为0),logistic regression模型预测是TWA心电数据(预测为1),FN表示测试数据是TWA心电数据(标签为1),logistic regression模型预测不是TWA心电数据(预测为0),;
h-3)重复执行步骤g)、i-1)及i-2)直至T波电交替评估标准值F1不增加或重复执行步骤g)、i-1)及i-2)50-100次。
使用测试数据8232条作检验TWA识别效果,如下表所示:
通过上表计算出精确率=84.99%,召回率=88.19%,F1值=86.56%。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于深度学习的T波电交替检测方法,其特征在于,包括如下步骤:
a)准备TWA心电训练数据ALL_ECG,
b)对TWA心电训练数据ALL_ECG进行滤波,消除高频干扰;
c)对滤波后的TWA心电训练数据ALL_ECG去除基线漂移;
d)将去除基线漂移后的TWA心电训练数据ALL_ECG进行归一化处理;
e)对归一化后的的TWA心电训练数据ALL_ECG进行替换、调幅值操作,得到以隔拍变化的T波电交替数据;
f)对步骤e)处理后的TWA心电训练数据ALL_ECG按7:2:1的比例划分为训练集、验证集和测试集;
g)将训练集输入到优化后的logistic regression模型中,通过公式
计算得到logistic regression模型的损失函数Lpro,式中N为样本总数,β及γ为参数,0≤β≤1,0≤γ≤2,α为参数,α取值为0.5,w为权重,||·||1为正则化项,pi为第i个样本的预测值,yi为第i个样本的所属类别,通过损失函数Lpro对logistic regression模型进行优化,在logistic regression模型的优化器中增加schedule层;
h)将测试集输入到优化后的logistic regression模型中,如果logistic regression模型输出为1,表示是TWA数据,如果logistic regression模型输出为0,表示不是TWA数据。
3.根据权利要求1所述的基于深度学习的T波电交替检测方法,其特征在于:步骤b)中采用窗宽为150、截止频率为40Hz的FIR数字低通滤波器对TWA心电训练数据ALL_ECG进行滤波。
4.根据权利要求1所述的基于深度学习的T波电交替检测方法,其特征在于:步骤c)中采用中值滤波器将滤波后的TWA心电训练数据ALL_ECG减采样到50Hz后取窗宽为560ms的长窗,对长窗中70%的中间值求平均值得到当前基线值,将当前基线值重采样到原频率后作为基线被移除。
6.根据权利要求1所述的基于深度学习的T波电交替检测方法,其特征在于,步骤e)包括如下步骤:
e-1)从12导联的Ⅰ、Ⅱ、Ⅲ、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6中随机选择一个导联作为母导联,保持母导联的奇数心博的T波不变,从剩余的11导联中选择T波替换到母导联的偶数心博上与母导联的奇数心博组成波形,完成替换操作;
e-2)从12导联的Ⅰ、Ⅱ、Ⅲ、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6中随机选择一个导联作为母导联,保持母导联的奇数心博的T波不变,使母导联偶数心博的T波按照比例扩大,扩大后的母导联的偶数心博与母导联的奇数心博组成波形,完成调幅值操作。
7.根据权利要求1所述的基于深度学习的T波电交替检测方法,其特征在于,还包括在步骤h)之后执行如下步骤:
i-1)将验证集输入到步骤g)优化后的logistic regression模型中;
i-2)根据公式计算得到T波电交替评估标准值F1,式中TP表示测试数据是TWA心电数据,logisticregression模型预测是TWA心电数据,FP表示测试数据不是TWA心电数据,logisticregression模型预测是TWA心电数据,FN表示测试数据是TWA心电数据,logisticregression模型预测不是TWA心电数据,;
h-3)重复执行步骤g)、i-1)及i-2)直至T波电交替评估标准值F1不增加或重复执行步骤g)、i-1)及i-2)50-100次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111245373.1A CN113827251A (zh) | 2021-10-26 | 2021-10-26 | 一种基于深度学习的t波电交替检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111245373.1A CN113827251A (zh) | 2021-10-26 | 2021-10-26 | 一种基于深度学习的t波电交替检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113827251A true CN113827251A (zh) | 2021-12-24 |
Family
ID=78966079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111245373.1A Withdrawn CN113827251A (zh) | 2021-10-26 | 2021-10-26 | 一种基于深度学习的t波电交替检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113827251A (zh) |
-
2021
- 2021-10-26 CN CN202111245373.1A patent/CN113827251A/zh not_active Withdrawn
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220015711A1 (en) | System and method for automated analysis and detection of cardiac arrhythmias from electrocardiograms | |
Rakshit et al. | An efficient wavelet-based automated R-peaks detection method using Hilbert transform | |
CN106725428B (zh) | 一种心电信号分类方法及装置 | |
Banerjee et al. | Delineation of ECG characteristic features using multiresolution wavelet analysis method | |
Banerjee et al. | ECG feature extraction and classification of anteroseptal myocardial infarction and normal subjects using discrete wavelet transform | |
Vijaya et al. | Arrhythmia detection through ECG feature extraction using wavelet analysis | |
CN111358459A (zh) | 一种心律失常识别方法、装置、设备和存储介质 | |
Lipponen et al. | Advanced maternal ECG removal and noise reduction for application of fetal QRS detection | |
Ramli et al. | Correlation analysis for abnormal ECG signal features extraction | |
Lu et al. | Recycling cardiogenic artifacts in impedance pneumography | |
CN115828056A (zh) | 一种心电图特征信号提取方法及终端 | |
Riasi et al. | Prediction of ventricular tachycardia using morphological features of ECG signal | |
US20120136580A1 (en) | System and Method for Analyzing an Electrophysiological Signal | |
Al-Kindi et al. | Real-time detection of myocardial infarction by evaluation of ST-segment in digital ECG | |
Kannathal et al. | Analysis of electrocardiograms | |
CN113827251A (zh) | 一种基于深度学习的t波电交替检测方法 | |
Khandait et al. | Efficient ECG abnormalities recognition using neuro-fuzzy approach | |
Jindal et al. | MATLAB based GUI for ECG arrhythmia detection using Pan-Tompkin algorithm | |
Liu et al. | Automatic arrhythmia detection based on convolutional neural networks | |
Vega-Martínez et al. | Wavelet packet based algorithm for QRS region detection and R/S wave identification | |
Pantelopoulos et al. | Efficient single-lead ECG beat classification using matching pursuit based features and an artificial neural network | |
Mayapur | Detection and Processing of the R Peak | |
Ruiz et al. | Thorough assessment of a p-wave delineation algorithm through the use of diverse electrocardiographic databases | |
CN114580477A (zh) | 一种基于多时间序列融合的可穿戴动态呼吸率估测系统 | |
Leite et al. | Long-range dependence in heart rate variability data: ARFIMA modelling vs detrended fluctuation analysis |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211224 |