CN114052741A - 基于多尺度自回归模型的心电图识别方法 - Google Patents
基于多尺度自回归模型的心电图识别方法 Download PDFInfo
- Publication number
- CN114052741A CN114052741A CN202111313843.3A CN202111313843A CN114052741A CN 114052741 A CN114052741 A CN 114052741A CN 202111313843 A CN202111313843 A CN 202111313843A CN 114052741 A CN114052741 A CN 114052741A
- Authority
- CN
- China
- Prior art keywords
- beat
- segmentation
- channel attention
- acquiring
- electrocardiosignals
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000011218 segmentation Effects 0.000 claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000010586 diagram Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 206010003119 arrhythmia Diseases 0.000 claims description 4
- 230000006793 arrhythmia Effects 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 abstract description 10
- 230000006872 improvement Effects 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 11
- 210000002569 neuron Anatomy 0.000 description 9
- 238000000718 qrs complex Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 208000024172 Cardiovascular disease Diseases 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000034994 death Effects 0.000 description 3
- 231100000517 death Toxicity 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 208000000418 Premature Cardiac Complexes Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000002779 inactivation Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000002861 ventricular Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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]
- 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
- A61B5/725—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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Cardiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于多尺度自回归模型的心电图识别方法，具体包括如下步骤：步骤1，获取心电信号，并对心电信号进行预处理；步骤2，对步骤1处理后的信号分别进行动态心拍切分、子拍切分与多拍切分；步骤3，将步骤2得到的切分结果输入一维神经网络中，得到输入特征图；步骤4，将步骤3得到的输入特征图输入通道注意力模块，获取通道注意力图，提高分类器识别准确率。本发明将一维神经网络分类器同通道注意力模块一起使用，实现通道信息提取与通道信息学习的双方面改善。
Description
技术领域
本发明属于心电波形的形态识别技术领域，涉及基于多尺度自回归模型的心电图识别方法。
背景技术
随着时代的发展，我们的生活越来越便利，但是随之而来的是各种压力的不断增加，因此患心血管疾病的人也越来越多。跟据WHO的相关报告，上世纪初，全球因心血管疾病死亡的人数占总死亡人数的10％不到，但是进入21世纪后，该占比在发达国家已上升到了50％，在发展中国家上升到了25％。据统计，每年有将近2000万人死于心血管疾病，且主要分布于发展中国家。
从上面的各种报道可以看到，患有心血管疾病的人越来越多，然而目前的相关医疗资源却相当短缺，特别是在高发病率的农村。因此，对于能够动态地实时地检测心脏活动的系统的需求越来越大，如果能研究出一种便携式心电图检测装置来自动识别心电图信号并分析其类型就非常有意义。患者可以随时了解自己的心电图是否异常，遇到问题时可以及时寻求帮助，确保自己的生命安全。不仅如此，有了心电图类型自动识别系统，医生们也能在其帮助下做出更好的判断，提高效率，同时减轻医疗资源短缺的压力。
典型的基于机器学习的心电图识别系统都由三个步骤组成，包括心拍切分、特征提取和分类。现有工作在这三个方面都存在局限与不足。在切分心拍时，使用固定长度切分法，缺少动态性，会使切分结果出现冗余或缺少的情况，不利于特征提取和分类，降低准确率和性能；提取特征时，手动特征与深度特征没能很好的结合，而且尺度较为单一，都是基于单个心拍的，子拍和多拍提及较少；在分类时，传统的支持向量机分类器的提取通道信息能力不足，需要改善。所以，在这些方面的研究仍有很多的提升空间。
发明内容
本发明的目的是提供一种基于多尺度自回归模型的心电图识别方法，采用该方法能够实现心电图的心拍切分、特征提取及分类。
本发明采用的技术方案是，基于多尺度自回归模型的心电图识别方法，具体包括如下步骤：
步骤1，获取心电信号，并对心电信号进行预处理；
步骤2，对步骤1处理后的信号分别进行动态心拍切分、子拍切分与多拍切分；
步骤3，将步骤2得到的切分结果输入一维神经网络中，得到输入特征图；
步骤4，将步骤3得到的输入特征图输入通道注意力模块，获取通道注意力图，用于分类器分类识别。
本发明的特点还在于：
步骤1的具体过程为：
步骤1.1，心电信号获取：
从设备读取或者从数据库中获取心电信号；
步骤1.2，心电信号预处理：
将步骤1.1获取的心电信号依次经过FIR带通滤波、双斜率、低通滤波器处理及滑动窗口积分处理。
步骤2中，动态切分心拍时，对切分结果进行截断或填补；采用重叠采样方法进行子拍切分时；多拍切分时，对切分结果进行截断或填补。
步骤3的具体过程为：
步骤3.1，根据步骤2所得的心拍切分、子拍切分及多拍切分结果，获取心电图的手动特征；
步骤3.2，采用一维神经网络获取不同尺度的心拍深度特征；一维神经网络的结构包括两个卷积模块、一个concatenate层、两个全连接模块、一个Softmax；
步骤3.3，以步骤3.1得到的心电图的手动特征和步骤3.2所得的不同尺度的心拍特征作为concatenate层的输入，再经过两个全连接模块和一个Softmax，得到输出特征。
步骤4的具体过程为：
步骤4.1，将步骤3得到的输入特征图输入通道注意力模块，每一通道都经过全局最大池化和全局平均池化，然后经过一个共享的隐藏的全连接模块，将全连接模块输出的特征进行基于权重矩阵的加和操作，再经过ReLU激活操作，生成最终的通道注意力特征图；将该通道注意力特征图和步骤3所得的输入特征图做乘法操作，得到1x1xC的通道注意力图。
步骤4.2，将步骤4.1所得通道注意力图输入到分类器中进行分类识别。
本发明的有益效果是：本发明提出采用基于多尺度自回归模型的心电图识别方法，动态调整距离，避免了固定切分所产生的冗余或缺失问题，提高特征提取和分类的准确性与性能。结合使用丰富医理知识的手动特征与大量抽象信息的深度特征，重视有医学意义的子拍与多拍，从而提高心电图识别准确率。一维神经网络分类器同通道注意力模块一起使用，实现通道信息提取与通道信息学习的双方面改善。
附图说明
图1是本发明基于多尺度自回归模型的心电图识别方法中心电图识别流程图；
图2是基于多尺度自回归模型的心电图识别方法中心电信号数据预处理流程图；
图3是本发明基于多尺度自回归模型的心电图识别方法中的心拍切分流程图；
图4是本发明基于多尺度自回归模型的心电图识别方法中的多尺度特征提取流程图；
图5是本发明基于多尺度自回归模型的心电图识别方法中卷积神经网络结构图；
图6是本发明基于多尺度自回归模型的心电图识别方法中改进后的通道注意力模块图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于多尺度自回归模型的心电图识别方法，如图1所示，具体操作包括如下步骤：
步骤1，从MIT-BIH心率失常数据库中获取心电信号，利用带通滤波、双斜率处理、低通滤波、滑动窗口积分对心电信号进行预处理，降噪减少影响。数据下采样，降低数据冗余。
结合图2所示，步骤1的具体操作过程如下：
步骤1，提取心电信号，利用带通滤波、双斜率处理、低通滤波、滑动窗口积分对心电信号进行预处理，消除数据存在的肌电干扰、工频干扰和基线漂移，减少噪声影响。
步骤1.1，从MIT-BIH心率失常数据库中获取心电信号，涵盖了四十多种心拍类别，该数据库有大量的异常心拍，这对心电图类型识别有很大帮助。
从MIT-BIH心率失常数据库中获取中103号信号的原始数据。然后，用ECG算法读取程序，本发明选用了Vorarlberg University of Applied Sciences大学Robert Tratnig编写的ECG算法读取程序，借用该程序便能实现心电样本数据库中的任一组样本数据进行读取、绘图，并得到存储有ECG数据的矩阵。
步骤1.2，对心电信号进行数据点延扩，数据首处以第一个数据为依据延扩11个数据点，数据尾处以最后一个为依据延扩11个数据点，防止滤波边缘效应。再进行39阶FIR带通滤波(再经过带通滤波后，其噪声以及P波、T波有明显减弱)，通带为15～25Hz，采样频率Fs为300Hz，即为QRS波群所在频段。使用MATLAB的Fdatool工具，设置各参数ResponseType、Design Method、Filter Order、Sampling frequency、Cut-offFrequenc1和Cut-offFrequency2，即带通、FIR、39、300Hz、15Hz和25Hz，然后输入步骤1.1所得数据，套用filter内建函数完成滤波。
步骤1.3，对步骤1.2滤波后的波形双斜率预处理(ECG(electrocardiogram，心电图)的波形变得更简单)，“双斜率”的处理思想是QRS波群的宽度相对固定。即，用QRS波左侧最大斜率减去右侧最小斜率，用QRS波右侧最大斜率减去左侧最小斜率，再求取两者中的最大者，设为最大斜率差。本发明设定这个寻找斜率的区间是QRS波左右两侧0.015s～0.06s处。计算左右两侧最大斜率和最小斜率公式表示为：
KLmax＝max(S_L) (3)；
KLmin＝min(S_L) (4)；
KRmax＝max(S_R) (5)；
KRmin＝min(S_R) (6)；
式中，S_L指QRS波左侧斜率；S_R指QRS波右侧斜率；k指在区间(a,b)内的第k个数据点；i指在整个心动信号上的第i个数据点；a等于0.015fs最接近的整数；b等于0.060fs最接近的整数；fs是ECG信号的采样频率，为300；KLmax指QRS波左侧最大斜率；
KLmin指QRS波左侧最小斜率；KRmax指QRS波右侧最大斜率；KRmin指QRS波右侧最小斜率。
最大斜率差公示表示为：
KGmax＝max((KLmax-KLmin)，(KRmax-KRmin)) (7)；
式中，KGmax指最大斜率差。
步骤1.4，对步骤1.3双斜率处理后的数据进行数据点延扩，数据首处以第一个数据为依据延扩11个数据点，数据尾处以最后一个为依据延扩11个数据点，防止滤波边缘效应。再继续低通滤波(处理后使得波形更光滑)，截止频率为5Hz，使用MATLAB的Fdatool工具，设置各参数Response Type、Design Method、Filter Order、Sampling frequency和Cut-offFrequency，即低通、FIR、19、30Hz和5Hz.，选择低通滤波器中平均滑动滤波器进行低通滤波。差分方程表示为：
a0y(n)+a1y(n-1)+a2y(n-2)+…+any(n-N)＝b0x(n)+b1x(n-1)+b2x(n-2)+…+bny(n-M) (8)；
式中，y表示滤波器的输出；a、b为权系数，决定每个输入和输出的贡献大小；x(n)指当前输入；N为所需过去输出的个数，通常称为滤波器的阶数；M是所需以前输入的个数。
传递函数表示为：
式中，z指阶跃信号，z变换。
频率特性公式表示为：
步骤1.5，首先，将滑动窗口宽度设为8个采样点，对步骤1.4所得数据进行采样。再对数据进行数据点延扩，数据首处以第一个数据为依据延扩7个数据点，数据尾处以最后一个为依据延扩7个数据点。然后，使用中值滤波选取奇数长度为N的窗口所采集到的数据，对这些数据进行快速排序算法排序，找到中间数据作为该点数据。然后，使用滑动窗口将选取的数据加上中值滤波，之后找到漂移成分。输入信号减去基线漂移成分后剩余的部分便是滤波后的结果。
步骤1.6，将MIT-BIH数据库中的心拍信号以直方图的形式输出展示，从心拍长度的分布来看，其长度在300到350的心拍最多，因此将Ls设为300。
步骤2，对步骤1获取并处理后的数据进行动态切分心拍，对切分结果进行截断或填补，切分子拍时，使用重叠采样的方法，多拍切分时，也要进行截断和填补工作。
步骤3，通过步骤2所得的心拍、子拍和多拍的统计数据确定手工特征，一维神经网络采用自回归算法输出深度特征。
步骤4，将步骤3所确定的特征输入通道注意力模块，通过此方法提高卷积神经对通道信息的提取，提升分类器的学习能力，提高心电信号识别准确率。
步骤2，对步骤1处理后的数据进行动态切分心拍、子拍切分与多拍切分。动态切分心拍时，对切分结果进行截断或填补；切分子拍时，使用重叠采样的方法；多拍切分时，也要进行截断和填补工作。
如图3所示，步骤2的具体操作过程如下：
步骤2.1，对心电图的心拍动态切分：
2.1.1，确定心拍的长度：
将步骤1所获取并处理后的数据进行动态切分心拍。通过第i+1个心拍的R峰坐标减去第i个心拍的R峰坐标，确定两个R波尖峰的间隔长度，用其表示一个心拍的长度；
2.1.2，对切分的心拍进行截取和填补：
对于步骤2.1.1中所切分长度，若大于规定长度，则截取心拍中意义不大的T波尾部，若所切分长度小于规定长度，则在头尾补零；
2.1.3，确定两个R波尖峰为心拍的起始点：
以已被检测的R波尖峰作为参照点，再结合P波在心拍中所占的比例，算出需要左移的长度，将两个R波尖峰间隔不变左移该长度，即此时两个R波尖峰为心拍的起始点。
步骤2.2，重叠采样子拍切分：
为准确获得P波、QRS波群以及T波这三个波顿段，引入重叠参数。
2.2.1，确定P波真实长度与起始点：
P波在心拍中的占比加上重叠参数乘上步骤2.1.2经过截取或填补后的心拍有效长度得到P波真实长度，再根据心拍的起始点确定P波的起始点；
2.2.2，确定QRS波群真实长度与起始点：
QRS波群在心拍中的占比加上两倍重叠参数乘上步骤2.1.2经过截取或填补后的心拍有效长度得到QRS波群真实长度，再根据心拍的起始点确定QRS波群的起始点；
2.2.3，确定T波真实长度与起始点：
T波在心拍中的占比加上重叠参数乘上步骤2.1.2经过截取或填补后的心拍有效长度得到T波真实长度，再根据心拍的起始点确定T波的起始点。
步骤2.3，多拍切分：
将步骤2.1.1中获取的心拍长度视为真实长度，将三倍真实长度的心电信号作为多拍，对获取的多拍进行截断和填补工作，截取心拍中意义不大的T波，尾部或头尾补零。
步骤2实施例：
步骤2.1，按照按照美国医疗器械促进协会(TheAssociation fortheAdvancement ofMedical Instrumentation，AAMI)的标准，每一数据的训练时长要在5分钟以内，且为了能和其他研究做对比，本发明从MIT-BIH数据库中取记录号100到124这20条记录以及200到232这24条记录，各取75个N类、S类和V类心拍，13个F类心拍和7个Q类心拍。这245个心拍以及后44条记录的前五分钟的心拍用来做训练集，剩余的所有心拍被用来做测试集。本发明让训练区间和测试区间不交叉，让训练区间在时间轴上早于测试区间，这样可以避免训练区间和测试区间重叠，识别准确率虚高的问题。指定一个区间长度s，给定一个样本长度l和样本数n，在区间长度s内抽取n个长度为l的样本。参数区间长度s的选择与一条记录的总长度有关，样本长度l的选择不小于2秒的值，样本数量n的选择不小于100的值。经过测试，本发明选择训练样本数量和测试样本数量均为300，选定单个样本时长为2秒，训练区间和测试区间均设定为40秒。
步骤2.2，二进小波变换具有连续小波变换的时移共变性,故它较之离散小波变换具有连续的独特优点,使得它在奇异性检测、图像处理方面十分有用，通过一个二进样条小波滤波器对步骤2.1所确定的信号进行4层离散小波分解。使用整定滤波器，设置低通滤波器系数为1/4、3/4、3/4和1/4；设置高通滤波器系数为-1/4、-3/4、3/4和1/4。经过一个二进样条小波滤波器，可得4次尺度分解后的ECG信号。由理论分析可知在小波分解三次尺度下的ECG信号的R波峰值最大，最为突出，因此基于三次尺度下的波形检测R波峰值点。
步骤2.3，根据步骤2.2经过小波分解三次尺度下的ECG信号，对R波峰值点进行检测。设置NOISE_LEV(噪音等级)、THE_NOISE(噪音阈值)、SIG_LEV(信号等级)、THE_SIG(信号阈值)四个变量。THE_NOISE初始值等于NOISE_LEV等于二分之一相邻信号周期的平均值；THE_SIG初始值等于SIG_LEV等于三分之一相邻信号周期的最大值。若当前值大于THE_SIG的值时，赋值为1，含义为极大值；若当前值大于THE_NOISE的值并且小于THE_SIG的值时，赋值为0，含义为噪点。NOISE_LEV(噪音等级)、THE_NOISE(噪音阈值)、SIG_LEV(信号等级)、THE_SIG(信号阈值)四个变量根据心电信号的变化进行变化，不断适应心电信号，实现心率不规则的检测。该四个变量更新公示表示为：
NOISE_LEV＝0.125×currentpeak+0.875×NOISE_LEV (11)；
THE_NOISE＝0.25×THE_SIG (12)；
SIG_LEV＝0.125×currentpeak+0.875×SIG_LEV (13)；
THE_SIG＝NOISE_LEV+0.25×(|SIG_LEV-NOISE_LEV|) (14)；
式中：currentpeak指当前峰值。
步骤2.4，为避免步骤2.3中检测的R波可能存在漏检与错检的情况，需要再设定判定条件。若当相邻R波的距离<0.4mean(RR)时，这就说明存在错检的现象，此时需要去除最小的R波峰值点，若当相邻R波距离>1.6mean(RR)时，说明可能存在漏检，这时候需要再在两个RR间期内寻找最大的极值点，定位R波峰值的位置。
步骤2.5，经过步骤2.4检测到R波峰值点后，根据两个相邻R波尖峰的间隔长度表示一个心拍。心拍长度公示表示为：
式中，Ri指第i个心拍的R峰，
指第i个心拍的长度。
步骤2.6，根据步骤1.6所得Ls，即心拍的有效长度，来调整步骤2.5所得心拍的长度。当
比Ls大时，可以适当截断心拍中意义不大的T波尾部。当
比Ls小时，固定每个心拍的R波尖峰，再在头尾补零。
步骤2.7，对比小波变换方法定位出的R波峰值点与实际峰值点，发现两者之间存在一定的位移量。在确定好P波的峰值点与心拍长度后，根据获得数据确定心拍的起始点，以已被检测的R波峰值点作为参照点，再结合P波在心拍中所占的比例，算出两个R波尖峰的间隔长度所左移的长度。通过分析选择20个点的位移修正量。公式表示为：
式中，nf是P波占一个心拍的比例；
指第i个心拍中P波的长度；
指第i个心拍的长度；
是第i个心拍的两个R波尖峰的间隔长度左移的长度。
根据医学含义选取合适值确定nf，首先根据医学知识给nf设定一个范围，然后再以一定的间隔取一些值。然后画出44条记录的前5分钟心拍在不同参数值下的切分结果，即[0.20,0.25,0.30,0.35,0.40,0.45]，然后画出不同参数下的各心拍，并判断所有新拍的完整性。最后发现，当nf取值为0.35时，切分的心拍最为完整。
步骤2.8，为准确获得P波、QRS波群以及T波这三个波顿段，通过它们在心拍中的占比，确定每个波段的起点以及长度。同时为了确定每个波段的起始点，可以使用重采样的方法。具体公式如下：
式中：
是P波的真实长度；np是其在心拍中的占比；
是QRS波群的真实长度；nr是其在心拍中的占比；
是T波的真实长度；nt是其在心拍中的占比；no是重叠参数，即采样区间在心拍中的占比。np、nr、nt、no的确定同nf，得到np、nr、nt、no的最佳取值为0.25、0.25、0.5和0.03。
步骤2.9，本发明定义心拍的真实长度的三倍作为多拍，并对获取的多拍进行截断和填补工作，截取心拍中意义不大的T波尾部补零。多拍长度计算公式如下：
式中，
是第i个多拍的长度，由于心拍长度
是动态的，因此
也是动态的。
步骤3，通过步骤2所得的心拍、子拍和多拍的统计数据确定手工特征，一维神经网络采用自回归算法输出深度特征。
结合图4所示，步骤3的具体操作过程如下：
步骤3.1通过步骤2.7、步骤2.8和步骤2.9切分后的心拍、子拍和多拍，以获取心电图手动特征。手动特征分为两种，一是反映了子拍和心拍的平均电压强度和电压强度变化程度的参数，包括平均值、绝对值均值、平方均值、平方根均值和方差，共20个手动特征。二是与两R波尖峰间隔RRi有关的特征。单个心拍的RR间隔也作为一个特征，为反映心拍之间的统计特征，五种相邻RR间隔的比例也作为手动特征。综上，共26个手动特征。计算公式表示如下：
式中，RRi表示第i个心拍的RR间隔，
和
都是和RR间隔相关的数值。
步骤3.2，用一维神经网络获取不同尺度的心拍的深度特征，一维神经网络结构如图5所示。该结构由两个卷积模块(CONV)、一个concatenate层、两个全连接模块(FC)，最后连接Softmax组成。本发明测试三层卷积时，发现训练时间有十分明显的增加，而验证效果与两层卷积基本无差别，即选择两层卷积。其中，以P波、QRS波和T波为输入数据的第一层卷积模块神经元数量为16，第二层卷积模块神经元数量8；以心拍为输入数据的第一层卷积模块神经元数量为32，第二层卷积模块神经元数量8；以多拍为输入数据的第一层卷积模块神经元数量为128，第二层卷积模块神经元数量8。设置第一层卷积模块组成为卷积层、最大池化层和批归一化层；第二层卷积模块组成为卷积层、随机失活层、最大池化层和批归一化层；全连接模块组成为全连接层、随机失活层和批归一化层。所有的随机失活层的参数设置为0.2；最大层的参数设置为2，参数初始化选择Xaiver初始化方法，迭代次数为30次；将训练的次数设置为100，学习率设置为0.01。最大池化层将误差全部反向传播到其输入上，反向传播增量实现自回归更新特征值。反向传播算法公式表示如下：
式中，ZL指第L层的输入；αL指L层的输出，σ(ZL)指在L层对输入ZL做函数σ操作；b为偏移量；W为权重值；δl+1表示第l+1层，δl表示第l层。
步骤3.3，以步骤3.1所得手动特征作为concatenate(全连接)层的输入，该全连接层神经元数量为8，同步骤3.2中多尺度心拍经过卷积后所得数据作为concatenate层的输入，再经过两个全连接模块和一个Softmax，输出数据。
步骤4，将通道注意力模块加在步骤3.2中所说明的一维卷积网络中的第二个卷积模块后即可。将原特征图以C×L表示，C指通道数量，L指通道的特征长度。通过此方法提高卷积神经对通道信息的提取，提升分类器的学习能力。
结合图6所示，步骤4的具体操作过程如下：
步骤4.1将通道注意力模块加在步骤3.2中所说明的一维卷积网络中的第二个卷积模块后即可。通过将通道注意力模块依次放在不同层和放在所有层，以及使用样本时长为4秒，训练区间和测试区间为120秒，训练集和测试集每个类别均是100个进行测试，测试结果显示在第二层加通道注意力模块的效果最好。输入的特征图尺寸是C×L，其中C表示通道数，L表示每个通道的特征长度。每一通道都经过全局最大池化和全局平均池化，然后都经过一个共享的隐藏的全连接模块，其隐藏层的神经元的数量为C/r，这里的r为压缩率，C是输出层的神经元的数量。将全连接模块输出的特征进行基于权重矩阵的加和操作，权重越大，表示该通道表示的信息对于关键信息越重要，关联程度越高；权重越小，表示该通道表示的信息对于关键信息越不重要。经过多次试验，最终发现当通道注意力模块中的压缩率r为4时，网络能获得最好的实验结果。再经过ReLU激活操作，生成最终的通道注意力特征图(channel attention featuremap)。将该通道注意力特征图和输入特征图(inputfeaturemap)做乘法操作，得到1x1xC的通道注意力图，图上每一维的权重，表示该维对应的原特征图中。公式表示为：
式中：Fn是新的的特征图；F是原始特征图；σ是ReLU激活函数；MLP是全连接模块；AP是全局平均池化；MP是全局最大池化；W1是全连接模块的权重矩阵；M0是全连接模块的权重矩阵；Fα是由AP获得的张量；MP与AP获得张量后共享这两个矩阵。
步骤4.2，对比分析分类器：
由于神经网络可能会发生波动，所以最终结果可能会包含着一些随机性。本发明将实验重复进行10次，取10次结果的平均值，为直观了解波动的影响，引入一个参数s，代表模型的稳定性，公式表示为：
式中：n代表重复实验的次数；αi是第i此实验的准确率；
是n次实验的准确率的均值。
同其它现有的工作相比，本发明将心拍的准确率提高了2％～6％有余。正常心拍(N)精确率为99.8％，室性早搏(V)精确率为97.17％，早搏(S)精确率为99.45％，心室和正常搏动的融合(F)精确率为98.75％，说明了本发明所提出的改进都是可行且有效的。
Claims (5)
1.基于多尺度自回归模型的心电图识别方法，其特征在于：具体包括如下步骤：
步骤1，获取心电信号，并对心电信号进行预处理；
步骤2，对步骤1处理后的信号分别进行动态心拍切分、子拍切分与多拍切分；
步骤3，将步骤2得到的切分结果输入一维神经网络中，得到输入特征图；
步骤4，将步骤3得到的输入特征图输入通道注意力模块，获取通道注意力图，用于分类器分类识别。
2.根据权利要求1所述的基于多尺度自回归模型的心电图识别方法，其特征在于：所述步骤1的具体过程为：
步骤1.1，心电信号获取：
从MIT-BIH心率失常数据库中获取心电信号；
步骤1.2，心电信号预处理：
将步骤1.1获取的心电信号依次经过FIR带通滤波、双斜率、低通滤波器处理及滑动窗口积分处理。
3.根据权利要求2所述的基于多尺度自回归模型的心电图识别方法，其特征在于：所述步骤2中，动态切分心拍时，对切分结果进行截断或填补；采用重叠采样方法进行子拍切分时；多拍切分时，对切分结果进行截断或填补。
4.根据权利要求3所述的基于多尺度自回归模型的心电图识别方法，其特征在于：所述步骤3的具体过程为：
步骤3.1，根据步骤2所得的心拍切分、子拍切分及多拍切分结果，获取心电图的手动特征；
步骤3.2，采用一维神经网络获取不同尺度的心拍深度特征；一维神经网络的结构包括两个卷积模块、一个concatenate层、两个全连接模块、一个Softmax；
步骤3.3，以步骤3.1得到的心电图的手动特征和步骤3.2所得的不同尺度的心拍特征作为concatenate层的输入，再经过两个全连接模块和一个Softmax，得到输出特征。
5.根据权利要求4所述的基于多尺度自回归模型的心电图识别方法，其特征在于：所述步骤4的具体过程为：
步骤4.1，将步骤3得到的输入特征图输入通道注意力模块，每一通道都经过全局最大池化和全局平均池化，然后经过一个共享的隐藏的全连接模块，将全连接模块输出的特征进行基于权重矩阵的加和操作，再经过ReLU激活操作，生成最终的通道注意力特征图；该通道注意力特征图和步骤3所得的输入特征图做乘法操作，得到1x1xC的通道注意力图。
步骤4.2，将步骤4.1所得通道注意力图输入到分类器中进行分类识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111313843.3A CN114052741A (zh) | 2021-11-08 | 2021-11-08 | 基于多尺度自回归模型的心电图识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111313843.3A CN114052741A (zh) | 2021-11-08 | 2021-11-08 | 基于多尺度自回归模型的心电图识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114052741A true CN114052741A (zh) | 2022-02-18 |
Family
ID=80274217
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111313843.3A Pending CN114052741A (zh) | 2021-11-08 | 2021-11-08 | 基于多尺度自回归模型的心电图识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114052741A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115486854A (zh) * | 2022-09-15 | 2022-12-20 | 浙江好络维医疗技术有限公司 | 一种针对干电极采集的单导联心电图室性早搏识别方法 |
| CN117281531A (zh) * | 2023-11-27 | 2023-12-26 | 北京科技大学 | 基于卷积长短时记忆网络的心理疲劳态识别方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110251120A (zh) * | 2019-06-06 | 2019-09-20 | 山东省计算中心（国家超级计算济南中心） | 基于注意力机制的深度残差神经网络的心电图分类方法 |
| KR20190141326A (ko) * | 2018-06-14 | 2019-12-24 | 한국과학기술원 | 심층 컨볼루션 신경망을 이용한 심전도 부정맥 분류 방법 및 장치 |
| CN110890155A (zh) * | 2019-11-25 | 2020-03-17 | 中国科学技术大学 | 一种基于导联注意力机制的多类心律失常检测方法 |
| CN113349793A (zh) * | 2021-03-30 | 2021-09-07 | 北京芯动卫士科技有限公司 | 一种基于分层注意力模型的心律失常分类方法 |
-
2021
- 2021-11-08 CN CN202111313843.3A patent/CN114052741A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190141326A (ko) * | 2018-06-14 | 2019-12-24 | 한국과학기술원 | 심층 컨볼루션 신경망을 이용한 심전도 부정맥 분류 방법 및 장치 |
| CN110251120A (zh) * | 2019-06-06 | 2019-09-20 | 山东省计算中心（国家超级计算济南中心） | 基于注意力机制的深度残差神经网络的心电图分类方法 |
| CN110890155A (zh) * | 2019-11-25 | 2020-03-17 | 中国科学技术大学 | 一种基于导联注意力机制的多类心律失常检测方法 |
| CN113349793A (zh) * | 2021-03-30 | 2021-09-07 | 北京芯动卫士科技有限公司 | 一种基于分层注意力模型的心律失常分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李伟: "基于特征提取和神经网络集成的心电图信号识别与分类", 中国优秀硕士论文电子期刊, vol. 2021, no. 04, 15 April 2021 (2021-04-15), pages 25 - 32 * |
| 陈滨: "基于深度学习的心电图类型识别和个体识别", 中国优秀硕士论文电子期刊, vol. 2020, no. 01, 15 January 2020 (2020-01-15), pages 22 - 56 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115486854A (zh) * | 2022-09-15 | 2022-12-20 | 浙江好络维医疗技术有限公司 | 一种针对干电极采集的单导联心电图室性早搏识别方法 |
| CN115486854B (zh) * | 2022-09-15 | 2024-04-30 | 浙江好络维医疗技术有限公司 | 一种针对干电极采集的单导联心电图室性早搏识别方法 |
| CN117281531A (zh) * | 2023-11-27 | 2023-12-26 | 北京科技大学 | 基于卷积长短时记忆网络的心理疲劳态识别方法及系统 |
| CN117281531B (zh) * | 2023-11-27 | 2024-01-30 | 北京科技大学 | 基于卷积长短时记忆网络的心理疲劳态识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109171712B (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
| Liu et al. | Arrhythmia classification of LSTM autoencoder based on time series anomaly detection | |
| Rai et al. | ECG signal processing for abnormalities detection using multi-resolution wavelet transform and Artificial Neural Network classifier | |
| CN107837082A (zh) | 基于人工智能自学习的心电图自动分析方法和装置 | |
| Gavrovska et al. | Classification of prolapsed mitral valve versus healthy heart from phonocardiograms by multifractal analysis | |
| CN106805965A (zh) | 一种心电信号分类方法及装置 | |
| He et al. | Recognition of ECG patterns using artificial neural network | |
| CN114052741A (zh) | 基于多尺度自回归模型的心电图识别方法 | |
| CN113066502B (zh) | 基于vmd和多小波的心音分割定位方法 | |
| Emanet | ECG beat classification by using discrete wavelet transform and Random Forest algorithm | |
| DİKER et al. | A diagnostic model for identification of myocardial infarction from electrocardiography signals | |
| CN109259756B (zh) | 基于非平衡训练的二级神经网络的ecg信号处理方法 | |
| CN111990988A (zh) | 基于密集连接卷积循环神经网络的心电信号房颤检测装置 | |
| CN113057648A (zh) | 一种基于复合lstm结构的ecg信号分类方法 | |
| US8750973B2 (en) | Method and system for detecting P-waves in the surface ECG signal | |
| CN114027853B (zh) | 基于特征模板匹配的qrs波群检测方法、装置、介质及设备 | |
| CN110693488A (zh) | 心电信号处理系统、方法、电子设备及可读存储介质 | |
| JP7487965B2 (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 | |
| Bruun et al. | Automatic atrial fibrillation detection: A novel approach using discrete wavelet transform and heart rate variability | |
| Shi et al. | Automated atrial fibrillation detection based on feature fusion using discriminant canonical correlation analysis | |
| CN111839494A (zh) | 一种心率监测方法及系统 | |
| CN111568410A (zh) | 一种基于12导联和卷积神经网络的心电数据分类方法 | |
| Mohammadzadeh-Asl et al. | Neural network based arrhythmia classification using heart rate variability signal | |
| Rai et al. | Classification of ECG waveforms for abnormalities detection using DWT and back propagation algorithm | |
| Ekhlasi et al. | Analysis of ECG signals to classify abnormal patterns by employing Artificial Neural Network and Discrete Wavelet Coefficients |
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 |