CN113855038A - 基于多模型集成的心电信号危急值的预测方法及装置 - Google Patents

基于多模型集成的心电信号危急值的预测方法及装置 Download PDF

Info

Publication number
CN113855038A
CN113855038A CN202111206924.3A CN202111206924A CN113855038A CN 113855038 A CN113855038 A CN 113855038A CN 202111206924 A CN202111206924 A CN 202111206924A CN 113855038 A CN113855038 A CN 113855038A
Authority
CN
China
Prior art keywords
data
module
function
electrocardiogram data
scale
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
Application number
CN202111206924.3A
Other languages
English (en)
Other versions
CN113855038B (zh
Inventor
张越
赖杰伟
谭慧欣
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.)
Southern Medical University
Original Assignee
Southern Medical 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 Southern Medical University filed Critical Southern Medical University
Priority to CN202111206924.3A priority Critical patent/CN113855038B/zh
Publication of CN113855038A publication Critical patent/CN113855038A/zh
Application granted granted Critical
Publication of CN113855038B publication Critical patent/CN113855038B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • A61B5/7264—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
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • 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

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Cardiology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了基于多模型集成的心电信号危急值的预测方法及装置，方法包括：获取可穿戴设备的原始动态心电数据并构建对应的数据库；对所述数据库中的心电数据进行数据诊断和数据标注，将所述心电数据划分为不同类型；对所述心电数据进行预处理，划分得到训练集、验证集和测试集；搭建多尺度深度卷积神经网络，并结合三种不同的损失函数，实现三种模型的训练并集成，得到目标模型；将待预测的心电信号进行同样的预处理后输入所述目标模型，使用投票法得到危急值的预测结果。本发明能够实现心电信号处理与自动诊断，可广泛应用于医疗数据处理技术领域。

Description

基于多模型集成的心电信号危急值的预测方法及装置
技术领域
本发明涉及医疗数据处理技术领域，尤其是基于多模型集成的心电信号危急值的预测方法及装置。
背景技术
术语解释：
1.ReLU(Rectified Linear Unit)：线性整流函数，激活函数，小于0的输入置为0，大于0的输入保持不变。
2.Sigmoid：S形函数，激活函数，取值范围为0-1。
3.Sotfmax：归一化指数函数，为激活函数。
4.MSConv：多尺度卷积块，网络的一种连接块。
5.SE block(Squeeze-and-Excitation)：压缩-激励模块，网络的一种连接块。
6.BN(Batch normalization)：批归一化。
7.FC(Fully Connected)：全连接层。
8.Global pooling：全局平均池化。
9.Max Pooling：全局最大池化层。
10.Concentrate：通道拼接。
近年来心血管疾病的死亡率呈持续上升态势。心血管疾病诊断的主要手段是心电图，其记录心脏在每一个心动周期中人体生理电信号的变化情况。通过分析心电图波形，可以及时发现心脏的异常情况。如果患有心血管人群日常佩戴监测心电信号的可穿戴设备，并结合可穿戴式心电危急值预测方法长时程、不间断地对心血管人群进行监测，分析掌握患者心血管系统的异常情况,预测出心电信号的危急值，提醒患者及时就医，医生干预，从而避免不可挽回的损失。
利用可穿戴设备采集到的信号进行心电信号危急值的预测是一项具有重要意义的研究。收集到的心电信号能使用计算机辅助诊断方法自动处理，减轻医生负担；由于长时程的监测会产生大量的心电数据，极大地增大了医生的工作量。但通过心电危急值预测方法将心电信号按照危急值排序可以将重要的异常信号第一时间反馈给患者和医生，请求医生的介入，可以使病人得到及时的救治。但是这项研究也是富有挑战的，由于不同类型的心律出现频次不同，而且心血管疾病具备偶发性，这导致了采集到的心电数据分布的不平衡，这会使训练出来的分类模型极易出现过拟合。少数类含有的信息很重要,但模型不能充足地进行学习，这使得模型对少数类的灵敏度较低，从而影响网络的性能。而且佩戴可穿戴设备所采集到的信号较医院理想检查环境中的噪声干扰多，给心电信号危急值的预测也带来了一定的困难。
传统的心电诊断算法主要通过提取人工设计的特征，这些特征可解释性强，但其多样性弱于深度学习特征。在其基础上可以添加形态学特征等抽象特征，使算法更加鲁棒；提取特征后再进行特征选择与分类，最终使用判别器得出心电诊断结果。这个过程繁琐且效率低下，鲁棒性不强且精度受限。深度学习的神经网络方法将特征提取和分类器合并，不再进行人工特征选择。如近些年提出的卷积神经网络、循环神经网络等。这些网络本身学到的特征比人工定义的特征更加充分、更加抽象化，模型的诊断精度也随之提高。因此，如何设计并训练一个精度高、泛化能力强的神经网络，并且能够利用数据类型分布不平衡的可穿戴式心电信号以获得较好的预测结果，成为心电信号诊断预测的核心问题。
发明内容
有鉴于此，本发明实施例提供基于多模型集成的心电信号危急值的预测方法及装置，以实现多网络的集成学习，将心电信号分类为普通、预警和危急，最终通过投票法确定最终的危急值等级，以实现心电信号处理与自动诊断。
本发明的第一方面提供了一种基于多模型集成的心电信号危急值的预测方法，包括：
获取可穿戴设备的原始动态心电数据并构建对应的数据库；
对所述数据库中的心电数据进行数据诊断和数据标注，将所述心电数据划分为不同类型，所述类型包括普通、预警和危急；
对所述心电数据进行预处理，划分得到训练集、验证集和测试集；
搭建多尺度深度卷积神经网络，并结合三种不同的损失函数，实现三种模型的训练并集成，得到目标模型；其中，所述三种模型包括基于交叉熵损失函数的网络模型、基于二值交叉熵损失函数的网络模型和基于排序损失函数的网络模型；
将待预测的心电信号进行同样的预处理后输入所述目标模型，使用投票法得到危急值的预测结果。
可选地，所述方法还包括：
对所述训练集数据进行欠采样处理。
可选地，所述可穿戴设备的原始动态心电数据的采样率为500Hz,所述原始动态心电数据的每例数据的持续时长为15秒。
可选地，所述对所述心电数据进行预处理，包括：
随机选取2秒以上的目标心电数据；
对所述目标心电数据进行插值处理，得到拓展后的目标心电数据。
可选地，所述对所述心电数据进行预处理，还包括：
随机选取一个比率段的第一心电数据，并将所述第一心电数据置零；
将置零后的所述第一心电数据进行离散余弦变换，将所述第一心电数据从时域空间转换到频域空间；
随机选取另一个比率段的第二心电数据，并将所属第二心电数据置零；
将所述第二心电数据逆变换回到时域空间；
对心电数据进行R波检测，获取R波定位信息，并将所述R波附近的心电数据置零。
可选地，所述多尺度深度卷积神经网络的网络输入为长为15秒的心电数据，所述多尺度深度卷积神经网络的网络输出为激活函数激活的三个类别各自的概率分数向量；
所述多尺度深度卷积神经网络共有17层，所述多尺度深度卷积神经网络包括8个卷积层模块；
每个所述卷积层模块包括一个残差块、一个多尺度上采样模块、一个多尺度下采样模块和一个压缩激励模块；
所述激活函数包括逻辑函数、归一化指数函数或线性整流函数。
可选地，所述多尺度上采样模块和所述多尺度下采样模块组成多尺度卷积块；
所述多尺度卷积块包括卷积层、通道拼接层、批量归一化层和整流线性单元层；
所述压缩激励模块，用于进行压缩操作、激励操作和通道权重重新标定操作；
其中，所述压缩操作通过全局平均池化实现；所述压缩操作将原来的通道数压缩到1/16，再将压缩后的通道连接一个全连接层，通过ReLU函数激活；再连接一个全连接层，通过Sigmoid函数激活，以实现对每个通道的重要性评估；
所述激励操作用于实现通道激励；所述激励操作将通道数扩展到16倍；
根据预设的权重与原始的通道特征图相乘，得到评估的通道重要性。
可选地，所述三种不同的损失函数包括交叉熵损失函数、二值交叉熵损失函数和排序损失函数；
其中，所述交叉熵损失函数的表达式为：
Figure BDA0003306150700000031
其中，xij为十二导联心电数据；m为训练样本个数；n为类别数；P(xij)为xij的真实标签，q(xij)为模型的预测标签；
所述二值交叉熵损失函数的表达式为：
Figure BDA0003306150700000041
其中，yi为十二导联心电数据的真实标签；m为训练样本个数；
Figure BDA0003306150700000042
为预测标签；
所述排序损失函数的表达式为：
Figure BDA0003306150700000043
其中，
Figure BDA0003306150700000044
为心电数据集，m为训练样本个数；u为标签个数，fu(xi)为预测的第u个标签。
本发明实施例另一方面还提供了一种基于多模型集成的心电信号危急值的预测装置，包括：
第一模块，用于获取可穿戴设备的原始动态心电数据并构建对应的数据库；
第二模块，用于对所述数据库中的心电数据进行数据诊断和数据标注，将所述心电数据划分为不同类型，所述类型包括普通、预警和危急；
第三模块，用于对所述心电数据进行预处理，划分得到训练集、验证集和测试集；
第四模块，用于搭建多尺度深度卷积神经网络，并结合三种不同的损失函数，实现三种模型的训练并集成，得到目标模型；其中，所述三种模型包括基于交叉熵损失函数的网络模型、基于二值交叉熵损失函数的网络模型和基于排序损失函数的网络模型；
第五模块，用于将待预测的心电信号进行同样的预处理后输入所述目标模型，使用投票法得到危急值的预测结果。
本发明实施例另一方面还提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
本发明的实施例获取可穿戴设备的原始动态心电数据并构建对应的数据库；对所述数据库中的心电数据进行数据诊断和数据标注，将所述心电数据划分为不同类型，所述类型包括普通、预警和危急；对所述心电数据进行预处理，划分得到训练集、验证集和测试集；搭建多尺度深度卷积神经网络，并结合三种不同的损失函数，实现三种模型的训练并集成，得到目标模型；其中，所述三种模型包括基于交叉熵损失函数的网络模型、基于二值交叉熵损失函数的网络模型和基于排序损失函数的网络模型；将待预测的心电信号进行同样的预处理后输入所述目标模型，使用投票法得到危急值的预测结果。本发明将心电信号分类为普通、预警和危急，最终通过投票法确定最终的危急值等级，以实现心电信号处理与自动诊断。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于多模型集成的心电信号危急值的预测方法的流程图；
图2为本发明搭建的多尺度深度卷积神经网络的结构图；
图3为标注普通、预警、危急的心电信号波形示例图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
首先，对本发明实施例中出现的技术名词进行解释：
1.ReLU(Rectified Linear Unit)：线性整流函数，激活函数，小于0的输入置为0，大于0的输入保持不变。
2.Sigmoid：S形函数，激活函数，取值范围为0-1。
3.Sotfmax：归一化指数函数，为激活函数。
4.MSConv：多尺度卷积块，网络的一种连接块。
5.SE block(Squeeze-and-Excitation)：压缩-激励模块，网络的一种连接块。
6.BN(Batch normalization)：批归一化。
7.FC(Fully Connected)：全连接层。
8.Global pooling：全局平均池化。
9.Max Pooling：全局最大池化层。
10.Concentrate：通道拼接。
针对现有技术存在的问题，本发明实施例提供了一种基于多模型集成的心电信号危急值的预测方法，包括：
获取可穿戴设备的原始动态心电数据并构建对应的数据库；
对所述数据库中的心电数据进行数据诊断和数据标注，将所述心电数据划分为不同类型，所述类型包括普通、预警和危急；
对所述心电数据进行预处理，划分得到训练集、验证集和测试集；
搭建多尺度深度卷积神经网络，并结合三种不同的损失函数，实现三种模型的训练并集成，得到目标模型；其中，所述三种模型包括基于交叉熵损失函数的网络模型、基于二值交叉熵损失函数的网络模型和基于排序损失函数的网络模型；
将待预测的心电信号进行同样的预处理后输入所述目标模型，使用投票法得到危急值的预测结果。
可选地，所述方法还包括：
对所述训练集数据进行欠采样处理。
可选地，所述可穿戴设备的原始动态心电数据的采样率为500Hz,所述原始动态心电数据的每例数据的持续时长为15秒。
可选地，所述对所述心电数据进行预处理，包括：
随机选取2秒以上的目标心电数据；
对所述目标心电数据进行插值处理，得到拓展后的目标心电数据。
可选地，所述对所述心电数据进行预处理，还包括：
随机选取一个比率段的第一心电数据，并将所述第一心电数据置零；
将置零后的所述第一心电数据进行离散余弦变换，将所述第一心电数据从时域空间转换到频域空间；
随机选取另一个比率段的第二心电数据，并将所属第二心电数据置零；
将所述第二心电数据逆变换回到时域空间；
对心电数据进行R波检测，获取R波定位信息，并将所述R波附近的心电数据置零。
可选地，所述多尺度深度卷积神经网络的网络输入为长为15秒的心电数据，所述多尺度深度卷积神经网络的网络输出为激活函数激活的三个类别各自的概率分数向量；
所述多尺度深度卷积神经网络共有17层，所述多尺度深度卷积神经网络包括8个卷积层模块；
每个所述卷积层模块包括一个残差块、一个多尺度上采样模块、一个多尺度下采样模块和一个压缩激励模块；
所述激活函数包括逻辑函数、归一化指数函数或线性整流函数。
可选地，所述多尺度上采样模块和所述多尺度下采样模块组成多尺度卷积块；
所述多尺度卷积块包括卷积层、通道拼接层、批量归一化层和整流线性单元层；
所述压缩激励模块，用于进行压缩操作、激励操作和通道权重重新标定操作；
其中，所述压缩操作通过全局平均池化实现；所述压缩操作将原来的通道数压缩到1/16，再将压缩后的通道连接一个全连接层，通过ReLU函数激活；再连接一个全连接层，通过Sigmoid函数激活，以实现对每个通道的重要性评估；
所述激励操作用于实现通道激励；所述激励操作将通道数扩展到16倍；
根据预设的权重与原始的通道特征图相乘，得到评估的通道重要性。
可选地，所述三种不同的损失函数包括交叉熵损失函数、二值交叉熵损失函数和排序损失函数；
其中，所述交叉熵损失函数的表达式为：
Figure BDA0003306150700000071
其中，xij为十二导联心电数据；m为训练样本个数；n为类别数；P(xij)为xij的真实标签，q(xij)为模型的预测标签；
所述二值交叉熵损失函数的表达式为：
Figure BDA0003306150700000072
其中，yi为十二导联心电数据的真实标签；m为训练样本个数；
Figure BDA0003306150700000073
为预测标签；
所述排序损失函数的表达式为：
Figure BDA0003306150700000074
其中，
Figure BDA0003306150700000075
为心电数据集，m为训练样本个数；u为标签个数，fu(xi)为预测的第u个标签。
本发明实施例另一方面还提供了一种基于多模型集成的心电信号危急值的预测装置，包括：
第一模块，用于获取可穿戴设备的原始动态心电数据并构建对应的数据库；
第二模块，用于对所述数据库中的心电数据进行数据诊断和数据标注，将所述心电数据划分为不同类型，所述类型包括普通、预警和危急；
第三模块，用于对所述心电数据进行预处理，划分得到训练集、验证集和测试集；
第四模块，用于搭建多尺度深度卷积神经网络，并结合三种不同的损失函数，实现三种模型的训练并集成，得到目标模型；其中，所述三种模型包括基于交叉熵损失函数的网络模型、基于二值交叉熵损失函数的网络模型和基于排序损失函数的网络模型；
第五模块，用于将待预测的心电信号进行同样的预处理后输入所述目标模型，使用投票法得到危急值的预测结果。
本发明实施例另一方面还提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
下面结合说明书附图，对本发明实施例的具体实现过程进行详细描述：
需要说明的是，本发明需要解决的核心技术问题是：可穿戴式心电设备可以长时程、无间断地对患者进行心电信号检测，但是设备采集到的心电数据类别分布不平衡，且信号较医院理想检查环境中的噪声、干扰多，给心电信号危急值的预测也带来了一定的困难。本发明提供一种基于多模型集成的心电信号危急值的预测方法，将需要进行人工干预的心电信号输入到搭建好的基于三种不同分类策略的卷积神经网络中，实现多网络的集成学习，将心电信号分类为普通、预警和危急，最终通过投票法确定最终的危急值等级，以实现心电信号处理与自动诊断。
图1为本发明基于多模型集成的心电信号危急值的预测方法的流程图。其主要步骤包括：收集可穿戴式十二导联心电数据；心电数据的预处理，包括数据滤波、归一化等；训练基于三种不同分类策略的卷积神经网络中，分别为基于交叉熵损失函数的网络模型、基于二值交叉熵损失函数的网络模型和基于排序损失函数的网络模型，实现多网络的集成学习；输入待预测的心电数据，网络经过投票法输出所预测的危急值结果。图3分别为标注为普通、预警、危急的心电信号波形实例图，横坐标为采样点，共7500个。其中，不同等级的危急值所对应的心电信号波形具有显著差异。多尺度深度卷积神经网络正是通过自主学习不同波形间的特征差异从而对信号做出精确的分类。
为方便理解发明中的各项细节，接下来对具体实施步骤进行详细说明。
S1、采集可穿戴设备的原始动态心电数据。采样率为500Hz，每例数据的持续时长为15s。由于患者佩戴可穿戴式设备时是长时程监测且处于自由活动状态，因此所收集到的心电数据数据量大、干扰多、信号丰富多样。
S2、对心电信号进行质量标记，分类为普通、预警、危急。本发明实施例可以结合专家经验数据来进行心电数据的分类诊断工作，并删除了质量差、不可接受的心电信号；随机抽取数据集的80％作为训练集，其余20％作为验证集和测试集，划分操作简单有效，训练集、验证集与测试集数据三者相互独立并互斥。
S3、对心电数据进行滤波、随机裁剪缩放等基本信号预处理，并整理成模型所使用的数据集。为了使心电数据样本更加全面，采取了多种数据增强方式丰富心电数据。随机选取2s以上的心电信号，通过插值将其扩展到15s；随机选取心拍中某比率段的心电信号置零；心电信号经过离散余弦变换，由时域空间转换到频域空间，再随机选取某比率段的心电信号置零，最后逆变换回到时域空间；R波检测，定位到心拍R波附近并随机将其附近的信号置零；最终将预处理后的心电信号将其制作成模型所使用的数据集。
本发明实施例还对心电数据进行欠采样操作，实现各类型心电信号的尽量平衡。本数据集中标注为普通有99,903例，标注为预警有7,610例，标注为危急有864例，通过随机地舍弃一部分训练集中标注为普通和预警的心电信号，实现三类样本数量基本一致，而测试集的数据不做欠采样处理，保留原始数据集的分布情况。
S4.搭建多尺度深度卷积神经网络，并结合三种不同的损失函数，实现三种模型集成。多尺度深度卷积神经网络如图。该网络输入的数据为长为15s形为[12，7500]的心电数据，输出的为激活函数激活的三个类别各自的概率分数向量。网络共有17层，根据特征图输出通道数不同可以将网络分为8个卷积层模块，通道数依次为(64+16*N)，N从0至7。每一个模块包括一个残差块，一个多尺度上采样模块，一个多尺度下采样模块和一个压缩激励模块，卷积层与其余模块通过残差结构跨层相连。本网络所使用的激活函数有逻辑函数(Sigmoid)、归一化指数函数(Sotfmax)、线性整流函数(Rectified Linear Unit，ReLU)。
多尺度上采样模块和多尺度下采样模块，为多尺度卷积块(MSConv)。如图2所示，一个多尺度卷积块主要包括了卷积(Conv)、通道拼接(Concentrate)、批量归一化(Batchnormalization，BN)和整流线性单元(ReLU)层。其中包括4个不同尺寸大小的卷积核来代替统一尺寸的普通卷积核，大小分别是3,5,9,17，步长为2。一些较大的卷积核(9*9、17*17)可以提取一些较大尺度的局部信息，而较小的卷积核(3*3、5*5)则更关注于信号细微的部分，通过不同程度的卷积操作实现多尺度上的特征分析，最终4个卷积核各自的输出按照通道拼接起来。最终通道数为M，每个子卷积并行的通道数为M/4，完成卷积或反卷积操作。
下采样后连接一个一维的压缩激励模块(Squeeze-and-Excitation，SEblock)，主要包括压缩操作、激励操作和通道权重重新标定。压缩操作通过全局平均池化(Globalpooling)实现，将原来的通道数压缩到1/16，可以获得全局感受野，扩大感受野范围；再将压缩后的通道连接一个全连接层(Fully Connected，FC)，通过ReLU函数激活；再连接一个全连接层，通过Sigmoid函数激活，以实现对每个通道的重要性评估；激励操作实现通道激励，将通道数扩展到16倍，即与输入的通道相对应；最终将评估的通道重要性按照一定的权重与原通道特征图相乘，以实现通道的重新标定。
十二导联心电数据输入到多尺度卷积块的同时也输入到一个残差块，两个模块之间实现跨层捷径连接结构，以实现特征图在对应通道维度上的叠加，能够加强特征的传递，更加有效地利用每层的特征，网络更深。残差模块先通过一个全局最大池化层(MaxPooling)，步长为2；再连接一个卷积层，卷积大小为1，步长为1，最终经过一个批量归一化处理。输出的特征图与压缩激励模块的输出进行叠加，实现跨层连接。
第1个模块的输出通道数为64，依次每个模块通道数增加16，如第2个模块通道数为96……第8个模块通道数增加至176。网络的顶端为一个全连接层，将特征图多通道的输入转化为三通道的输出。最终输出经过激活函数激活，作为三个类别各自的概率分数向量。由于损失函数的不同，选择的激活函数也不同，主要有Sigmoid、Sotfmax、ReLU等等。
网络训练过程中，使用的三种损失函数如下：
A.交叉熵损失函数：
Figure BDA0003306150700000101
其中，xij为十二导联心电数据；m为训练样本个数；n为类别数；P(xij)为xij的真实标签，P(xij)为模型的预测标签；输出为一组概率分数向量，由Sotfmax函数激活，计算交叉熵损失。使用交叉熵损失函数可以计算真实标签与预测标签的差异，更加迅速优化网络参数；
B.二值交叉熵损失函数：
Figure BDA0003306150700000111
其中，yi为十二导联心电数据的真实标签；m为训练样本个数；
Figure BDA0003306150700000115
为预测标签；输出为一组概率分数向量，由Sigmoid函数激活，计算二值交叉熵损失。使用二值交叉熵损失函数可以将三分类问题转换成多标签分类问题，计算预测标签和真实标签之间的二值交叉熵损失。
C.排序损失函数(Pairwise-ranking loss)
Figure BDA0003306150700000112
其中，心电数据集为
Figure BDA0003306150700000113
m为训练样本个数；
Figure BDA0003306150700000114
f(xi)为预测标签，u为标签个数，fu(xi)为预测的第u个标签。输出为一组概率分数向量，由Sigmoid函数激活。使用排序损失函数首先要构建具有标签的样本对，再计算样本对的相似度，通过相似度来判定两者是否属于同一类别。
将类型平衡的训练数据集输入到步骤S4搭建好的集成神经网络，实现网络自主学习。如图2所示，是一个完整的多尺度卷积神经网络结构。搭建好网络结构后，进一步训练优化网络结构参数，得到一个性能优异的分类网络。
三种损失函数计算出各自的损失后，利用随机梯度下降法更新网络的结构参数，动量为0.9，并结合学习率递降策略。
S5.将待预测的心电信号预处理后输入模型，投票法得到危急值的预测结果。输入待预测的12导联心电信号，模型给出预测概率值，分别是：普通、预警、危急；三种损失函数所训练出的模型给出的预测结果若相同时，则该心电信号就为预测类；三种损失函数所训练出的模型给出的预测结果若不相同时，则根据投票法得出最终的预测结果，即预测类别出现次数最多的那一类为该心电信号的最终类。
综上所述，本发明使用多模型集成的心电信号危急值的预测方法，结合三种不同的损失函数，实现三种模型的训练并集成。解决了心电类别不平衡问题，对十二导联可穿戴设备的原始动态心电数据欠采样并结合滤波、随机裁剪缩放等预处理。
相较于现有技术，本发明具有以下优点：
1.本发明使用的数据均可穿戴设备的原始动态心电数据，较使用单导联的诊断预测方法而言，模型精度更高，更充分利用诊断信息。
2.本发明所使用的多尺度深度卷积神经网络，是一种轻量级神经网络，参数量仅有2.02M，大大减少了计算量。在实际应用与推广方面，非常适用于设备端、手机端等，实现长时程实时监测心脏，为可穿戴设备系统提供了技术支持，具有重大意义。
3.本发明所提供的多模型集成的心电信号危急值的预测方法与单个模型相比，提高了诊断精度。不同方法训练的模型集成扬长避短，与单一的心电分析诊断算法相比，更加充分地学习了心电信号的特征，鲁棒性和适用性更强。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.基于多模型集成的心电信号危急值的预测方法，其特征在于，包括：
获取可穿戴设备的原始动态心电数据并构建对应的数据库；
对所述数据库中的心电数据进行数据诊断和数据标注，将所述心电数据划分为不同类型，所述类型包括普通、预警和危急；
对所述心电数据进行预处理，划分得到训练集、验证集和测试集；
搭建多尺度深度卷积神经网络，并结合三种不同的损失函数，实现三种模型的训练并集成，得到目标模型；其中，所述三种模型包括基于交叉熵损失函数的网络模型、基于二值交叉熵损失函数的网络模型和基于排序损失函数的网络模型；
将待预测的心电信号进行同样的预处理后输入所述目标模型，使用投票法得到危急值的预测结果。
2.根据权利要求1所述的基于多模型集成的心电信号危急值的预测方法，其特征在于，所述方法还包括：
对所述训练集数据进行欠采样处理。
3.根据权利要求1所述的基于多模型集成的心电信号危急值的预测方法，其特征在于，所述可穿戴设备的原始动态心电数据的采样率为500Hz,所述原始动态心电数据的每例数据的持续时长为15秒。
4.根据权利要求1所述的基于多模型集成的心电信号危急值的预测方法，其特征在于，所述对所述心电数据进行预处理，包括：
随机选取2秒以上的目标心电数据；
对所述目标心电数据进行插值处理，得到拓展后的目标心电数据。
5.根据权利要求4所述的基于多模型集成的心电信号危急值的预测方法，其特征在于，所述对所述心电数据进行预处理，还包括：
随机选取一个比率段的第一心电数据，并将所述第一心电数据置零；
将置零后的所述第一心电数据进行离散余弦变换，将所述第一心电数据从时域空间转换到频域空间；
随机选取另一个比率段的第二心电数据，并将所属第二心电数据置零；
将所述第二心电数据逆变换回到时域空间；
对心电数据进行R波检测，获取R波定位信息，并将所述R波附近的心电数据置零。
6.根据权利要求1所述的基于多模型集成的心电信号危急值的预测方法，其特征在于，所述多尺度深度卷积神经网络的网络输入为长为15秒的心电数据，所述多尺度深度卷积神经网络的网络输出为激活函数激活的三个类别各自的概率分数向量；
所述多尺度深度卷积神经网络共有17层，所述多尺度深度卷积神经网络包括8个卷积层模块；
每个所述卷积层模块包括一个残差块、一个多尺度上采样模块、一个多尺度下采样模块和一个压缩激励模块；
所述激活函数包括逻辑函数、归一化指数函数或线性整流函数。
7.根据权利要求6所述的基于多模型集成的心电信号危急值的预测方法，其特征在于，
所述多尺度上采样模块和所述多尺度下采样模块组成多尺度卷积块；
所述多尺度卷积块包括卷积层、通道拼接层、批量归一化层和整流线性单元层；
所述压缩激励模块，用于进行压缩操作、激励操作和通道权重重新标定操作；
其中，所述压缩操作通过全局平均池化实现；所述压缩操作将原来的通道数压缩到1/16，再将压缩后的通道连接一个全连接层，通过ReLU函数激活；再连接一个全连接层，通过Sigmoid函数激活，以实现对每个通道的重要性评估；
所述激励操作用于实现通道激励；所述激励操作将通道数扩展到16倍；
根据预设的权重与原始的通道特征图相乘，得到评估的通道重要性。
8.根据权利要求1所述的基于多模型集成的心电信号危急值的预测方法，其特征在于，所述三种不同的损失函数包括交叉熵损失函数、二值交叉熵损失函数和排序损失函数；
其中，所述交叉熵损失函数的表达式为：
Figure FDA0003306150690000021
其中，xij为十二导联心电数据；m为训练样本个数；n为类别数；P(xij)为xij的真实标签，q(xij)为模型的预测标签；
所述二值交叉熵损失函数的表达式为：
Figure FDA0003306150690000022
其中，yi为十二导联心电数据的真实标签；m为训练样本个数；
Figure FDA0003306150690000023
为预测标签；
所述排序损失函数的表达式为：
Figure FDA0003306150690000024
其中，
Figure FDA0003306150690000031
为心电数据集，m为训练样本个数；u为标签个数，fu(xi)为预测的第u个标签。
9.基于多模型集成的心电信号危急值的预测装置，其特征在于，包括：
第一模块，用于获取可穿戴设备的原始动态心电数据并构建对应的数据库；
第二模块，用于对所述数据库中的心电数据进行数据诊断和数据标注，将所述心电数据划分为不同类型，所述类型包括普通、预警和危急；
第三模块，用于对所述心电数据进行预处理，划分得到训练集、验证集和测试集；
第四模块，用于搭建多尺度深度卷积神经网络，并结合三种不同的损失函数，实现三种模型的训练并集成，得到目标模型；其中，所述三种模型包括基于交叉熵损失函数的网络模型、基于二值交叉熵损失函数的网络模型和基于排序损失函数的网络模型；
第五模块，用于将待预测的心电信号进行同样的预处理后输入所述目标模型，使用投票法得到危急值的预测结果。
10.一种电子设备，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如权利要求1-8中任一项所述的方法。
CN202111206924.3A 2021-10-15 2021-10-15 基于多模型集成的心电信号危急值的预测方法及装置 Active CN113855038B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111206924.3A CN113855038B (zh) 2021-10-15 2021-10-15 基于多模型集成的心电信号危急值的预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111206924.3A CN113855038B (zh) 2021-10-15 2021-10-15 基于多模型集成的心电信号危急值的预测方法及装置

Publications (2)

Publication Number Publication Date
CN113855038A true CN113855038A (zh) 2021-12-31
CN113855038B CN113855038B (zh) 2023-04-11

Family

ID=78999972

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111206924.3A Active CN113855038B (zh) 2021-10-15 2021-10-15 基于多模型集成的心电信号危急值的预测方法及装置

Country Status (1)

Country Link
CN (1) CN113855038B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115089196A (zh) * 2022-08-22 2022-09-23 博睿康科技（常州）股份有限公司 在线信号的时相检测方法、时相检测单元、闭环调控系统
CN115607166A (zh) * 2022-10-08 2023-01-17 中国医学科学院阜外医院 一种心电信号智能分析方法及系统、智能心电辅助系统
CN116077066A (zh) * 2023-02-10 2023-05-09 北京安芯测科技有限公司 心电信号分类模型的训练方法、装置及电子设备
CN117725490A (zh) * 2024-02-08 2024-03-19 山东大学 跨被试被动式音高感知eeg自动分类方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103018426A (zh) * 2012-11-26 2013-04-03 天津工业大学 一种基于Bagging的浆纱过程上浆率软测量方法
CN111772619A (zh) * 2020-06-19 2020-10-16 厦门纳龙科技有限公司 一种心电图心搏识别方法、终端设备及存储介质
CN112596016A (zh) * 2020-12-11 2021-04-02 湖北省计量测试技术研究院 基于多个一维卷积神经网络集成的互感器故障诊断方法
US20210290139A1 (en) * 2019-11-13 2021-09-23 Industry Academic Cooperation Foundation Of Yeungnam University Apparatus and method for cardiac signal processing, monitoring system comprising the same
CN113469218A (zh) * 2021-06-02 2021-10-01 安徽心之声医疗科技有限公司 基于深度学习的心电信号危急值处理方法、系统及介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103018426A (zh) * 2012-11-26 2013-04-03 天津工业大学 一种基于Bagging的浆纱过程上浆率软测量方法
US20210290139A1 (en) * 2019-11-13 2021-09-23 Industry Academic Cooperation Foundation Of Yeungnam University Apparatus and method for cardiac signal processing, monitoring system comprising the same
CN111772619A (zh) * 2020-06-19 2020-10-16 厦门纳龙科技有限公司 一种心电图心搏识别方法、终端设备及存储介质
CN112596016A (zh) * 2020-12-11 2021-04-02 湖北省计量测试技术研究院 基于多个一维卷积神经网络集成的互感器故障诊断方法
CN113469218A (zh) * 2021-06-02 2021-10-01 安徽心之声医疗科技有限公司 基于深度学习的心电信号危急值处理方法、系统及介质

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115089196A (zh) * 2022-08-22 2022-09-23 博睿康科技（常州）股份有限公司 在线信号的时相检测方法、时相检测单元、闭环调控系统
CN115089196B (zh) * 2022-08-22 2022-11-11 博睿康科技（常州）股份有限公司 在线信号的时相检测方法、时相检测单元、闭环调控系统
CN115607166A (zh) * 2022-10-08 2023-01-17 中国医学科学院阜外医院 一种心电信号智能分析方法及系统、智能心电辅助系统
CN115607166B (zh) * 2022-10-08 2023-08-22 中国医学科学院阜外医院 一种心电信号智能分析方法及系统、智能心电辅助系统
CN116077066A (zh) * 2023-02-10 2023-05-09 北京安芯测科技有限公司 心电信号分类模型的训练方法、装置及电子设备
CN117725490A (zh) * 2024-02-08 2024-03-19 山东大学 跨被试被动式音高感知eeg自动分类方法及系统
CN117725490B (zh) * 2024-02-08 2024-04-26 山东大学 跨被试被动式音高感知eeg自动分类方法及系统

Also Published As

Publication number Publication date
CN113855038B (zh) 2023-04-11

Similar Documents

Publication Publication Date Title
CN113855038B (zh) 基于多模型集成的心电信号危急值的预测方法及装置
CN109544518B (zh) 一种应用于骨骼成熟度评估的方法及其系统
CN108090509B (zh) 一种数据长度自适应的心电图分类方法
CN104636580A (zh) 一种基于人脸的健康监控手机
CN111126350B (zh) 一种心搏分类结果的生成方法和装置
WO2020224433A1 (zh) 基于机器学习的目标对象属性预测方法及相关设备
CN113707264A (zh) 基于机器学习的药物推荐方法、装置、设备及介质
CN111291727A (zh) 一种光体积变化描记图法信号质量检测方法和装置
Bansal et al. An improved hybrid classification of brain tumor MRI images based on conglomeration feature extraction techniques
KR102639558B1 (ko) 관심영역별 골 성숙 분포를 이용한 성장 분석 예측 장치 및 방법
CN113796873A (zh) 穿戴式动态心电信号分类方法及系统
CN108338777A (zh) 一种脉搏信号检测分析方法及装置
CN116864140A (zh) 一种心内科术后护理监测数据处理方法及其系统
CN116898451A (zh) 用具有多尺度注意力机制的神经网络实现房颤预测的方法
CN116484290A (zh) 一种基于Stacking集成的抑郁症识别模型构建方法
Tiwari et al. Heartbeat sound classification using Mel-frequency cepstral coefficients and deep convolutional neural network
CN116564505A (zh) 基于深度学习的甲状腺疾病筛查方法、系统、设备及存储介质
CN114224354B (zh) 心律失常分类方法、装置及可读存储介质
CN113838018B (zh) 基于Cnn-former的肝纤维化病变检测模型训练方法与系统
CN115762721A (zh) 一种基于计算机视觉技术的医疗影像质控方法和系统
CN112842342B (zh) 一种结合希尔伯特曲线和集成学习的心电磁信号分类方法
Liu et al. A learnable front-end based efficient channel attention network for heart sound classification
CN117893528B (zh) 一种心脑血管疾病分类模型的构建方法及装置
Singh BFCNN: Multi-Disease Classification Bee Inspired CNN Model.
CN117338313B (zh) 基于堆叠集成技术的多维度特征脑电信号识别方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhang Yue

Inventor after: Lai Jiewei

Inventor after: Tan Huixin

Inventor after: Yang Wei

Inventor before: Zhang Yue

Inventor before: Lai Jiewei

Inventor before: Tan Huixin

GR01 Patent grant
GR01 Patent grant