CN114041800B - 心电信号实时分类方法、装置及可读存储介质 - Google Patents
心电信号实时分类方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN114041800B CN114041800B CN202111225086.4A CN202111225086A CN114041800B CN 114041800 B CN114041800 B CN 114041800B CN 202111225086 A CN202111225086 A CN 202111225086A CN 114041800 B CN114041800 B CN 114041800B
- Authority
- CN
- China
- Prior art keywords
- layer
- feature extraction
- convolution
- classification
- time
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000000605 extraction Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000013145 classification model Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 206010003119 arrhythmia Diseases 0.000 claims abstract description 15
- 230000006793 arrhythmia Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012952 Resampling Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 37
- 230000004913 activation Effects 0.000 claims description 24
- 230000007246 mechanism Effects 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000000747 cardiac effect Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 5
- 238000011425 standardization method Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000002759 z-score normalization Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 abstract description 7
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000001105 regulatory effect Effects 0.000 abstract description 3
- 238000011897 real-time detection Methods 0.000 abstract description 2
- 238000002565 electrocardiography Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 4
- 208000024172 Cardiovascular disease Diseases 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 206010006578 Bundle-Branch Block Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000009177 electrical depolarization Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002336 repolarization Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- A61B5/7203—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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Signal Processing (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种心电信号实时分类方法、装置及可读介质的技术方案，包括：获取ECG数据集，并对ECG数据集进行重采样；将经过重采样的ECG数据集分割成短时心拍片段，对短时心拍片段进行标准化处理得到标准化心拍片段；创建最优特征提取分类模型，对最优特征提取分类模型进行训练和验证，得到最优特征提取分类模型；实时采集心电信号，对心电信号进行预处理并输入至最优特征提取分类模型，得到分类识别结果。本发明解决了端到端心律失常检测算法中使用的卷积神经网络计算量大、待调节参数多、抗数据不平衡能力弱的问题，用轻量级网络实现了实时检测和多尺度特征自动选择，并在不平衡数据上达到较高分类性能,适用于临床看护设备和便携式设备。
Description
技术领域
本发明涉及计算机，具体涉及了一种基于多尺度混合卷积神经网络和通道注意力机制的心电信号实时分类方法、装置及可读存储介质。
背景技术
心血管疾病是导致世界人口死亡的首要原因，对心血管疾病进行早期的诊断和治疗是挽救患者生命的关键。其中，心律失常是心血管疾病中重要的一组疾病，它是由心脏活动异常导致的心脏搏动节律异常。心电图(ECG)在心律失常疾病的诊断中具有重要的作用。作为一种经胸外部测量的诊断技术，心电图反映了心脏的电去极化和复极化模式。由于采集成本低、具有无创性等优点，ECG已广泛用于监测心脏的电生理活动，为心律失常疾病的诊断和治疗提供了有效的信息。
由于心律失常往往具有突发性，且发作时间较短，因此长期实时地监测心电信号对于心率失常的诊断十分关键。现有的长期ECG采集设备大多只能记录心电信号，而不能实时地对心电信号进行分析。实时对ECG进行检测分类，并对心律失常做出自动预警的设备，能够让病人提早发现疾病并拥有更多时间去就医，从而避免突发性心律失常引发的危险。一个高识别准确率、高识别速度、具有抗数据不平衡能力的轻量级ECG识别算法是实现ECG实时监测识别的核心技术。
ECG分类方法中的核心技术是特征提取算法。通常可以直接从时域提取心电信号的各种特征，如RR间隔，即连续两次相邻心拍的R峰之间的时间。RR间隔是心律失常分类中最常用的特征之一，可以有效地表示各种类型的心拍。此外，ECG的形态学特征和谱特征也是十分有效的特征提取方法，但是这种方法通常需要对信号进行去噪处理。当前，基于卷积神经网络的特征方法更为有效，相比于上述手工特征提取方法，卷积神经网络可以实现更高的识别准确率。然而，现有的神经网络方法大多是通过卷积层的深度堆叠实现的，普遍存在计算量大、待调节超参数多、检测速度慢和抗数据不平衡能力弱的问题。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一，提供了一种心电信号实时分类方法、装置及可读存储介质，解决了现有技术的不足。
本发明的技术方案包括一种心电信号实时分类方法，该方法包括：S1，获取ECG数据集，并对所述ECG数据集进行重采样；S2，将经过重采样的所述ECG数据集分割成短时心拍片段，对所述短时心拍片段进行标准化处理得到标准化心拍片段；S3，创建最优特征提取分类模型，对所述最优特征提取分类模型进行训练和验证，包括利用十折交叉验证方法，得到最优特征提取分类模型；S4，实时采集心电信号，对所述心电信号进行预处理并输入至所述最优特征提取分类模型，得到分类识别结果。
根据所述的心电信号实时分类方法，其中S1包括：采用MIT-BIH心律失常数据库的Ⅱ导联信号，并重采样至250Hz。
根据所述的心电信号实时分类方法，其中将经过重采样的所述ECG数据集分割成短时心拍片段包括：采用Pan-Tompkins算法对R波顶点进行定位，以R波顶点为中心向前取249个采样点，向后取250个采样点，构成包含R波顶点在内的长度为500个样本点的心拍分割片段。
根据所述的心电信号实时分类方法，其中对所述短时心拍片段进行标准化处理得到标准化心拍片段包括：采用Z-score标准化方法，将ECG的所述心拍片段转换为均值为零、标准差为1的向量，其中，Z-score标准化方法的计算公式为
其中X表示一个ECG的所述心拍片段，Z表示Z-score标准化的结果，μ和σ分别为X的均值和标准差。
根据所述的心电信号实时分类方法，其中最优特征提取分类模型包括输入层、第一卷积层、多通路特征提取模块、注意力机制模块、全局平均池化层、隐藏层及输出层；所述输入层、所述第一卷积层、所述多通路特征提取模块、所述注意力机制模块、所述全局平均池化层、所述隐藏层和所述输出层依次连接。
根据所述的心电信号实时分类方法，其中输入层用于将预处理后的长度为500的一维ECG片段折叠成25×20的二维矩阵。
根据所述的心电信号实时分类方法，其中第一卷积层用于输入为1×25×20的单通道二维矩阵，采用20个大小为3×3的卷积核初步提取信号的局部特征，步长为1，所述第一卷积层输出为20×25×20的特征图。
根据所述的心电信号实时分类方法，其中多通路特征提取模块包括第一Inception层、第二Inception层和第三Inception层，所述第一Inception层、第二Inception层和所述第三Inception层依次连接且包括四个分支，四个分支为第一分支、第二分支、第三分支及第四分支；所述第一分支为1×1卷积核，步长为2，采用Relu激活函数；所述第二分支为1×1卷积核，步长为2，采用Relu激活函数，顺序连接3×3卷积核，步长为1，采用Relu激活函数；所述第三分支为1×1卷积核，步长为2，采用Relu激活函数，顺序连接5×5卷积核，步长为1，采用Relu激活函数；所述第四分支为3×3最大池化层，步长为1，顺序连接1×1卷积核，步长为2，采用Relu激活函数；所述第一Inception层模块中每个卷积操作均采用16个卷积核；所述第二Inception层模块中每个卷积操作均采用32个卷积核；所述第三Inception层模块中每个卷积操作均采用64个卷积核。
根据所述的心电信号实时分类方法，其中注意力机制模块的输入为三个顺序连接的Inception层，输出为具有256个通路的特征图，特征图为U，U＝[u1，u2，…，uC]，其中C代表U的通道数，uC∈RH×W，H×W是每个特征图的尺寸；所述注意力机制模块计算通道注意力权值的过程包括以下步骤：应用所述全局平均池化层来压缩特征uC的空间维度，转换为通道描述符，通道统计量通过Z＝[z1，z2，…，zC]表示，zC的计算公式为：
通过两个全连接层组成的瓶颈结构，包括一个为有C/r个神经元的第一全连接层，另一个为有C个神经元的第二全连接层，两个全连接层中间设置有Relu激活函数，采用sigmoid函数作为第二全连接层的激活函数，构成具有非互斥关系的输出权值，生成的注意力权值向量s为:
s＝σ(W2δ(W1Z))，
其中σ(·)是sigmoid函数，δ(·)是Relu函数，其中W1∈RC/r×C，W2∈RC×C/r；
利用通道乘法计算通道注意力加权特征映射O＝[o1，o2，…，oC]，OC＝ucsC。
根据所述的心电信号实时分类方法，其中全局平均池化层将输出的256个特征图分别进行全局平均下采样操作。
根据所述的心电信号实时分类方法，其中隐藏层包括两个全连接层，全连接层的节点数分别为32和5，全连接层用于对心律失常数据进行五分类。
根据所述的心电信号实时分类方法，其中输出层采用softmax分类器，得到概率向量并输出最终分类结果，softmax分类器的计算表达式为：
其中θ是待训练参数，x(i)是第i个心拍片段的特征，y(i)是第i个心拍片段的特征分类结果，j是类别标签。
根据所述的心电信号实时分类方法，其中利用十折交叉验证方法，得到最优特征提取分类模型包括：将数据按类别进行十等分，确定等分的数据比例相似；依次让每一份样本作为测试集，其余九份样本作为训练集，循环十次；采用SMOTE算法对训练集中的数量较少的样本进行扩充，以增强数据平衡样本数量；在训练集中选择30％的样本作为验证集，对模型效果进行验证；在每折训练中，保存验证集准确率最高的模型，即为最优特征提取分类模型。
根据所述的心电信号实时分类方法，其中采用SMOTE算法对训练集中的数量较少的样本进行扩充包括：在小样本类别中为样本找到K个最近邻样本；在原始样本和最近邻样本之间进行线性插值，具体计算过程如下：
xnew＝xi+(xj-xi)×δ，其中xi是小样本数据，xj是K近邻样本，δ∈[0,1]，xnew为通过SMOTE算法生成的新样本；将生成的M个原始数据集中不存在的样本加入到训练集中。
根据所述的心电信号实时分类方法，其中对所述最优特征提取分类模型进行训练和验证包括：通过损失函数J(w)进行处理，其中式中，yk是样本标签，/>是预测标签，n是每批参与训练的样本数量。
本发明的技术方案还包括一种心电信号实时分类装置，该装置包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现任一所述的方法步骤。
本发明的技术方案还包括一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如任一所述的方法步骤。
本发明的有益效果为：采用SMOTE算法，对不平衡样本进行扩充，以保证训练出的模型不受不平衡数据的影响，从而可以在不平衡样本上达到高分类性能；采用交叉验证以保证训练模型最优；通过多通路特征提取模型解决了端到端心律失常检测算法中使用的卷积神经网络计算量大、待调节参数多的问题，用轻量级网络实现了实时检测和多尺度特征自动选择。本发明检测速度快、待调节参数少适、网络轻量级、抗不平衡样本能力强，可用于临床看护设备和便携式设备。
附图说明
下面结合附图和实施例对本发明进一步地说明；
图1所示为根据本发明实施方式的心电信号实时分类方法的流程图；
图2所示为根据本发明实施方式的特征提取分类模型的结构框图；
图3所示为根据本发明实施方式的多通路特征提取模块结构框图；
图4所示为根据本发明实施方式的每个Inception块的基本结构图；
图5所示为根据本发明实施方式的通道注意力机制结构框图；
图6所示为根据本发明实施方式的心电信号实时分类方法的总体结构图；
图7所示为根据本发明实施方式的数据增强的十折交叉验证的流程图；
图8所示为根据本发明实施方式的心电信号实时分类装置示意图。
具体实施方式
本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。
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。
在本发明的描述中，对方法步骤的连续标号是为了方便审查和理解，结合本发明的整体技术方案以及各个步骤之间的逻辑关系，调整步骤之间的实施顺序并不会影响本发明技术方案所达到的技术效果。
本发明的描述中，除非另有明确的限定，设置等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
如图1所示，本实施例提供了一种基于多尺度混合卷积神经网络和通道注意力机制的心电信号分类方法，包括以下步骤：
S1、获取ECG数据集，并进行重采样；
S2、将ECG分割成短时心拍片段，进行标准化处理得到标准化心拍片段；
S3、对模型进行训练和验证，利用数据增强的十折交叉验证方法，得到最优的特征提取分类模型；
在本实施例中：ECG数据集采用MIT-BIH公开数据集，重采样频率为250Hz,采用Pan-Tompkins算法对R波顶点进行定位，以R波顶点为中心向前取249个采样点，向后取250个采样点，构成包含R波顶点在内的长度为500个样本点的心拍分割片段，标准化方法采用Z-score标准化策略。
S4、实时采集心电信号，进行预处理并输入到最优特征提取分类模型，得到识别结果。
在本实施例中：分类结果包括N(正常或者束支传导阻滞心拍)、S(室上性异常心拍)、V(心室异常心拍)、F(融合心图2为特征提取分类模型的结构框图；拍)和Q(未分类心拍)。
如图2所示，心拍特征提取分类模型的结构包括：A1、输入层；A2、第一卷积层；A3、多通路特征提取模块；A4、注意力机制模块；A5、全局平均池化层；A6、隐藏层和A7、输出层；
输入层、第一卷积层、多通路特征提取模块、注意力机制模块、全局平均池化层、隐藏层和输出层顺次连接；
如图3所示，结构A3多通路特征提取模块由以下几个部分组成：第一Inception层、第二Inception层和第三Inception层；
第一Inception层、第二Inception层和第三Inception层顺次连接。
如图4所示，第一Inception层、第二Inception层和第三Inception层具有相似的结构，他们都是具有四个分支的卷积结构块：
第一分支为1×1卷积核，步长为2，采用Relu激活函数；
第二分支为1×1卷积核，步长为2，采用Relu激活函数，顺序连接3×3卷积核，步长为1，采用Relu激活函数；
第三分支为1×1卷积核，步长为2，采用Relu激活函数，顺序连接5×5卷积核，步长为1，采用Relu激活函数；
第四分支为3×3最大池化层，步长为1，顺序连接1×1卷积核，步长为2，采用Relu激活函数；
在本实施例中：第一Inception层模块中每个卷积操作均采用16个卷积核；第二Inception层模块中每个卷积操作均采用32个卷积核；第一Inception层模块中每个卷积操作均采用64个卷积核。
如图5所示，结构A4注意力机制模块的输入为三个顺序连接的Inception层最终输出的具有256个通路的特征图，用U表示，其中R∈RC×H×W，为表述方便，将其写作U＝[u1，u2，…，uC]其中C代表U的通道数，uC∈RH×W，H×W是每个特征图的尺寸；
进一步地，结构A4注意力机制模块计算通道注意力权值过程包括以下步骤：
B1、首先，应用全局平均池化来压缩特征uC的空间维度，以将其转换为通道描述符，这种通道统计量用Z＝{z1，z2，…，zc]表示；zC的计算公式为：
B2、然后，设计由两个全连接层组成的瓶颈结构，其中一个为有C/r个神经元的全连接层，另一个为有C个神经元的全连接层，两个全连接层中间包含Relu激活函数；
采用sigmoid函数作为第二层全连接层的激活函数，以形成具有非互斥关系的输出权值；最后生成的注意力权值向量s为:
s＝σ(W2δ(W1Z))
其中σ(·)是sigmoid函数，δ(·)是ReLu函数，W1∈RC/r×C，W2∈RC×C/r；
B3、最后，利用通道乘法计算通道注意力加权特征映射O＝[o1，o2，…，oC]，OC＝ucsC。
在本实施例中：训练过程epoch为20，批大小为128，压缩系数r取4，每个输入的尺寸H×W为25×20的规格。
如图6所示，本发明的心电信号实时分类方法的总体结构如下：输入层、第一卷积层、多通路特征提取模块、注意力机制模块、全局平均池化层、隐藏层和输出层顺次连接；
输入层将预处理后的长度为500的一维ECG片段折叠成25×20的二维矩阵，以适应二维卷积神经网络；
第一卷积层的每个输入为1×25×20的单通道二维矩阵，采用20个大小为3×3的卷积核初步提取信号的局部特征，步长为1，第一卷积层输出为20×25×20的特征图；
结构A3多通路特征提取模块由以下几个部分组成：
第一Inception层、第二Inception层和第三Inception层，用以提取信号的多尺度融合特征；
注意力机制模块是通过引入一条额外的神经网络实现的，以对Inception输出的256个通道的特征图赋予不同的权值，将上述不同尺度提取的特征图进行了自动特征选择，从而得到能充分表达样本信息的最优特征，使得模型具有更强的泛化性；
全局平均池化层将上述输出的256个特征图分别进行全局平均下采样操作，以降低计算量并防止过拟合，提高抗数据不平衡能力；
隐藏层包含两个全连接层，第一全连接层的节点数为32，第二全连接层的节点数为5，以实现心律失常的五分类；
输出层采用softmax分类器，得到概率向量并输出最终分类结果，softmax分类器的计算表达式为：
其中θ是待训练参数，x(i)是第i个心拍片段的特征，y(i)是第i个心拍片段的特征分类结果，j是类别标签。
如图7所示，步骤S3的数据增强的十折交叉验证步骤如下：
C1、将数据按类别分成十等份，以保证每一份中各个类别的数据比例相似；
C2、依次让每一份样本作为测试集，其余九份样本作为训练集，循环十次；
C3、采用SMOTE算法对训练集中的数量较少的样本进行扩充，以增强数据平衡样本数量；
C4、在训练集中选择30％的样本作为验证集，对模型效果进行验证；
C5、在每折训练中，保存验证集准确率最高的模型，即为最优模型。
进一步地，步骤C3的中的SMOTE数据增强算法具体步骤如下：
D1、在小样本类别中为样本找到K个最近邻样本；
D2、在原始样本和最近邻样本之间进行线性插值，具体计算过程如下：
xnew＝xi+(xj-xi)×δ,
式中：xi是小样本数据，xj是K近邻样本，δ∈[0,1]，xnew为通过SMOTE算法生成的新样本；
D3、将生成的M个原始数据集中不存在的样本加入到训练集中。
步骤S3的训练过程中，损失函数J(w)计算公式为：
式中，yk是样本标签，是预测标签，n是每批参与训练的样本数量。
图8的实施例为心电信号实时分类方法装置，其包括存储器100及处理器200，其中处理器200存储有计算机程序，计算机程序用于执行:获取ECG数据集，并对ECG数据集进行重采样；将经过重采样的ECG数据集分割成短时心拍片段，对短时心拍片段进行标准化处理得到标准化心拍片段；创建最优特征提取分类模型，对最优特征提取分类模型进行训练和验证，包括利用十折交叉验证方法，得到最优特征提取分类模型；实时采集心电信号，对心电信号进行预处理并输入至最优特征提取分类模型，得到分类识别结果。其中，存储器100用于存储计算机程序。
应当认识到，本发明实施例中的方法步骤可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如消费者。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括消费者上产生的物理和有形对象的特定视觉描绘。
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做出各种变化。
Claims (12)
1.一种心电信号实时分类方法，其特征在于，该方法包括：
S1，获取ECG数据集，并对所述ECG数据集进行重采样；
S2，将经过重采样的所述ECG数据集分割成短时心拍片段，对所述短时心拍片段进行标准化处理得到标准化心拍片段；
S3，创建最优特征提取分类模型，对所述最优特征提取分类模型进行训练和验证，包括利用十折交叉验证方法，得到最优特征提取分类模型；
S4，实时采集心电信号，对所述心电信号进行预处理并输入至所述最优特征提取分类模型，得到分类识别结果；
其中，所述最优特征提取分类模型包括输入层、第一卷积层、多通路特征提取模块、注意力机制模块、全局平均池化层、隐藏层及输出层；
所述输入层、所述第一卷积层、所述多通路特征提取模块、所述注意力机制模块、所述全局平均池化层、所述隐藏层和所述输出层依次连接；
其中，所述输入层用于将预处理后的长度为500的一维ECG片段折叠成25×20的二维矩阵；
所述第一卷积层用于输入为1×25×20的单通道二维矩阵，采用20个大小为3×3的卷积核初步提取信号的局部特征，步长为1，所述第一卷积层输出为20×25×20的特征图；
所述多通路特征提取模块包括依次连接的第一Inception层、第二Inception层和第三Inception层，所述多通路特征提取模块用于提取信号的多尺度融合特征；
所述注意力机制模块的输入为三个顺序连接的Inception层，输出为具有256个通路的特征图；
所述全局平均池化层，用于将输出的256个特征图分别进行全局平均下采样操作；
所述隐藏层，所述隐藏层包括两个全连接层，全连接层的节点数分别为32和5，全连接层用于对心律失常数据进行五分类；
所述输出层采用softmax分类器，用于得到概率向量并输出最终分类结果。
2.根据权利要求1所述的心电信号实时分类方法，其特征在于，所述S1包括：
采用MIT-BIH心律失常数据库的Ⅱ导联信号，并重采样至250Hz。
3.根据权利要求1所述的心电信号实时分类方法，其特征在于，所述将经过重采样的所述ECG数据集分割成短时心拍片段包括：
采用Pan-Tompkins算法对R波顶点进行定位，以R波顶点为中心向前取249个采样点，向后取250个采样点，构成包含R波顶点在内的长度为500个样本点的心拍分割片段。
4.根据权利要求1所述的心电信号实时分类方法，其特征在于，所述对所述短时心拍片段进行标准化处理得到标准化心拍片段包括：
采用Z-score标准化方法，将ECG的所述心拍片段转换为均值为零、标准差为1的向量，其中，Z-score标准化方法的计算公式为
其中X表示一个ECG的所述心拍片段，Z表示Z-score标准化的结果，μ和σ分别为X的均值和标准差。
5.根据权利要求1所述的心电信号实时分类方法，其特征在于，所述第一Inception层、第二Inception层和所述第三Inception层都包括四个分支，四个分支为第一分支、第二分支、第三分支及第四分支；
所述第一分支为1×1卷积核，步长为2，采用Relu激活函数；
所述第二分支为1×1卷积核，步长为2，采用Relu激活函数，顺序连接3×3卷积核，步长为1，采用Relu激活函数；
所述第三分支为1×1卷积核，步长为2，采用Relu激活函数，顺序连接5×5卷积核，步长为1，采用Relu激活函数；
所述第四分支为3×3最大池化层，步长为1，顺序连接1×1卷积核，步长为2，采用Relu激活函数；
所述第一Inception层模块中每个卷积操作均采用16个卷积核；
所述第二Inception层模块中每个卷积操作均采用32个卷积核；
所述第三Inception层模块中每个卷积操作均采用64个卷积核。
6.根据权利要求1所述的心电信号实时分类方法，其特征在于，所述注意力机制模块输出的特征图为U，U＝[u1，u2，…，uC]，其中C代表U的通道数，uC∈RH×W，H×W是每个特征图的尺寸；
所述注意力机制模块计算通道注意力权值的过程包括以下步骤：
应用所述全局平均池化层来压缩特征uC的空间维度，转换为通道描述符，通道统计量通过Z＝[z1，z2，…，zC]表示，zC的计算公式为：
通过两个全连接层组成的瓶颈结构，包括一个为有C/r个神经元的第一全连接层，另一个为有C个神经元的第二全连接层，两个全连接层中间设置有Relu激活函数，采用sigmoid函数作为第二全连接层的激活函数，构成具有非互斥关系的输出权值，生成的注意力权值向量s为:
s＝σ(W2δ(W1Z))，
其中σ(·)是sigmoid函数，δ(·)是Relu函数，其中W1∈RC/r×C，W2∈RC×C/r；
利用通道乘法计算通道注意力加权特征映射O＝[o1，o2，…，oC]，OC＝ucsC。
7.根据权利要求1所述的心电信号实时分类方法，其特征在于，softmax分类器的计算表达式为：
其中θ是待训练参数，x(i)是第i个心拍片段的特征，y(i)是第i个心拍片段的特征分类结果，j是类别标签。
8.根据权利要求1所述的心电信号实时分类方法，其特征在于，所述利用十折交叉验证方法，得到最优特征提取分类模型包括：
将数据按类别进行十等分，确定等分的数据比例相似；
依次让每一份样本作为测试集，其余九份样本作为训练集，循环十次；
采用SMOTE算法对训练集中的数量较少的样本进行扩充，以增强数据平衡样本数量；
在训练集中选择30％的样本作为验证集，对模型效果进行验证；
在每折训练中，保存验证集准确率最高的模型，即为最优特征提取分类模型。
9.根据权利要求8所述的心电信号实时分类方法，其特征在于，所述采用SMOTE算法对训练集中的数量较少的样本进行扩充包括：
在小样本类别中为样本找到K个最近邻样本；
在原始样本和最近邻样本之间进行线性插值，具体计算过程如下：
xnew＝xi+(xj-xi)×δ，
其中xi是小样本数据，xj是K近邻样本，δ∈[0,1]，xnew为通过SMOTE算法生成的新样本；
将生成的M个原始数据集中不存在的样本加入到训练集中。
10.根据权利要求1所述的心电信号实时分类方法，其特征在于，所述对所述最优特征提取分类模型进行训练和验证包括：
通过损失函数J(w)进行处理，其中
式中，yk是样本标签，是预测标签，n是每批参与训练的样本数量。
11.一种心电信号实时分类装置，该装置包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-10任一所述的方法步骤。
12.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-10任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111225086.4A CN114041800B (zh) | 2021-10-21 | 2021-10-21 | 心电信号实时分类方法、装置及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111225086.4A CN114041800B (zh) | 2021-10-21 | 2021-10-21 | 心电信号实时分类方法、装置及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114041800A CN114041800A (zh) | 2022-02-15 |
| CN114041800B true CN114041800B (zh) | 2024-01-30 |
Family
ID=80205768
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111225086.4A Active CN114041800B (zh) | 2021-10-21 | 2021-10-21 | 心电信号实时分类方法、装置及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114041800B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114886435A (zh) * | 2022-05-10 | 2022-08-12 | 广西师范大学 | 基于改进的MobileNetV3的室性早搏识别方法 |
| CN115462797A (zh) * | 2022-09-01 | 2022-12-13 | 广西师范大学 | 一种心电图心拍分类方法、系统、介质、设备及终端 |
| CN115429284B (zh) * | 2022-09-16 | 2024-05-03 | 山东科技大学 | 心电信号分类方法、系统、计算机设备以及可读存储介质 |
| CN116186593B (zh) * | 2023-03-10 | 2023-10-03 | 山东省人工智能研究院 | 一种基于可分离卷积和注意力机制的心电信号检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200000824A (ko) * | 2018-06-25 | 2020-01-03 | 한국과학기술원 | 중심 분산 손실 함수를 활용한 딥 러닝 모델 기반의 얼굴 표정 인식 방법 |
| CN110889448A (zh) * | 2019-11-26 | 2020-03-17 | 北京华医共享医疗科技有限公司 | 一种基于卷积神经网络的心电分类方法 |
| CN111523502A (zh) * | 2020-04-30 | 2020-08-11 | 上海交通大学医学院附属瑞金医院 | 一种心电图图像处理方法、设备、介质和心电图仪 |
| CN111626114A (zh) * | 2020-04-20 | 2020-09-04 | 哈尔滨工业大学 | 基于卷积神经网络的心电信号心律失常分类系统 |
| AU2021101613A4 (en) * | 2021-03-29 | 2021-05-20 | Nanjing University Of Information Science And Technology | Multi-modal feature fusion–based fingerprint liveness detection method |
| WO2021101231A1 (en) * | 2019-11-22 | 2021-05-27 | Samsung Electronics Co., Ltd. | Event recognition on photos with automatic album detection |
| CN112932431A (zh) * | 2021-01-26 | 2021-06-11 | 山西三友和智慧信息技术股份有限公司 | 一种基于1DCNN+InceptionNet+GRU融合网络的心率识别方法 |
-
2021
- 2021-10-21 CN CN202111225086.4A patent/CN114041800B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200000824A (ko) * | 2018-06-25 | 2020-01-03 | 한국과학기술원 | 중심 분산 손실 함수를 활용한 딥 러닝 모델 기반의 얼굴 표정 인식 방법 |
| WO2021101231A1 (en) * | 2019-11-22 | 2021-05-27 | Samsung Electronics Co., Ltd. | Event recognition on photos with automatic album detection |
| CN110889448A (zh) * | 2019-11-26 | 2020-03-17 | 北京华医共享医疗科技有限公司 | 一种基于卷积神经网络的心电分类方法 |
| CN111626114A (zh) * | 2020-04-20 | 2020-09-04 | 哈尔滨工业大学 | 基于卷积神经网络的心电信号心律失常分类系统 |
| CN111523502A (zh) * | 2020-04-30 | 2020-08-11 | 上海交通大学医学院附属瑞金医院 | 一种心电图图像处理方法、设备、介质和心电图仪 |
| CN112932431A (zh) * | 2021-01-26 | 2021-06-11 | 山西三友和智慧信息技术股份有限公司 | 一种基于1DCNN+InceptionNet+GRU融合网络的心率识别方法 |
| AU2021101613A4 (en) * | 2021-03-29 | 2021-05-20 | Nanjing University Of Information Science And Technology | Multi-modal feature fusion–based fingerprint liveness detection method |
Non-Patent Citations (3)
| Title |
|---|
| A novel method for identifying electrocardiograms using an independent component analysis and principal component analysis network;Weiyi Yang，等;《Measurement》;第152卷;全文 * |
| Deep convolutional neural network for the automated diagnosis of congestive heart failure using ECG signals;U Rajendra Acharya，等;《Applied Intelligence》;第49卷(第1期);论文3-6页 * |
| Squeeze-and-Excitation Networks;Jie Hu，等;《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》;第42卷(第8期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114041800A (zh) | 2022-02-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10869610B2 (en) | System and method for identifying cardiac arrhythmias with deep neural networks | |
| CN114041800B (zh) | 心电信号实时分类方法、装置及可读存储介质 | |
| Sahu et al. | FINE_DENSEIGANET: Automatic medical image classification in chest CT scan using Hybrid Deep Learning Framework | |
| Acharya et al. | Automated detection of arrhythmias using different intervals of tachycardia ECG segments with convolutional neural network | |
| CN111160139B (zh) | 心电信号的处理方法、装置及终端设备 | |
| de Albuquerque et al. | Robust automated cardiac arrhythmia detection in ECG beat signals | |
| Murugesan et al. | Ecgnet: Deep network for arrhythmia classification | |
| CN108024730B (zh) | 使用数学分析和机器学习来诊断疾病的方法和系统 | |
| CN111772619B (zh) | 一种基于深度学习的心搏识别方法、终端设备及存储介质 | |
| Xia et al. | Generative adversarial network with transformer generator for boosting ECG classification | |
| CN106725426A (zh) | 一种心电信号分类的方法及系统 | |
| CN113080990B (zh) | 一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法 | |
| CN108090509B (zh) | 一种数据长度自适应的心电图分类方法 | |
| Fan et al. | A novel hybrid network of fusing rhythmic and morphological features for atrial fibrillation detection on mobile ECG signals | |
| Al Rahhal et al. | Automatic premature ventricular contractions detection for multi-lead electrocardiogram signal | |
| JP2023104885A (ja) | グラフ畳み込みに基づく心電図心拍数マルチタイプの予測方法 | |
| Allam et al. | A deformable CNN architecture for predicting clinical acceptability of ECG signal | |
| Irfan et al. | Deep learning based classification for healthcare data analysis system | |
| Haroon | ECG arrhythmia classification Using deep convolution neural networks in transfer learning | |
| Lu et al. | An end-to-end model for ECG signals classification based on residual attention network | |
| CN115429284B (zh) | 心电信号分类方法、系统、计算机设备以及可读存储介质 | |
| Kusuma et al. | A hybrid model for skin disease classification using transfer learning | |
| CN116172573A (zh) | 一种基于改进的Inception-ResNet-v2的心律失常图像分类方法 | |
| Hong et al. | Gated temporal convolutional neural network and expert features for diagnosing and explaining physiological time series: a case study on heart rates | |
| Kovalchuk et al. | A novel feature vector for ECG classification using deep learning |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |