CN114224355A - 心电信号分类训练方法、分类方法、装置及存储介质 - Google Patents
心电信号分类训练方法、分类方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114224355A CN114224355A CN202010931379.3A CN202010931379A CN114224355A CN 114224355 A CN114224355 A CN 114224355A CN 202010931379 A CN202010931379 A CN 202010931379A CN 114224355 A CN114224355 A CN 114224355A
- Authority
- CN
- China
- Prior art keywords
- types
- electrocardiosignal
- training
- classification
- type
- 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
- 238000012549 training Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000033764 rhythmic process Effects 0.000 claims abstract description 64
- 230000002159 abnormal effect Effects 0.000 claims abstract description 38
- 230000005856 abnormality Effects 0.000 claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 230000000747 cardiac effect Effects 0.000 claims description 47
- 230000015654 memory Effects 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 20
- 206010003119 arrhythmia Diseases 0.000 claims description 18
- 230000006793 arrhythmia Effects 0.000 claims description 18
- 238000013145 classification model Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 11
- 230000002457 bidirectional effect Effects 0.000 claims description 8
- 206010003658 Atrial Fibrillation Diseases 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 5
- 208000000418 Premature Cardiac Complexes Diseases 0.000 claims description 4
- 208000006218 bradycardia Diseases 0.000 claims description 4
- 230000036471 bradycardia Effects 0.000 claims description 4
- 206010003662 Atrial flutter Diseases 0.000 claims description 3
- 208000001871 Tachycardia Diseases 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000006794 tachycardia Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 12
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 230000002861 ventricular Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000001746 atrial effect Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000001360 synchronised effect Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000000306 qrs interval Methods 0.000 description 4
- 206010003671 Atrioventricular Block Diseases 0.000 description 3
- 230000028161 membrane depolarization Effects 0.000 description 3
- 210000003205 muscle Anatomy 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000002336 repolarization Effects 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 206010003668 atrial tachycardia Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 210000002837 heart atrium Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000000718 qrs complex Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004213 regulation of atrial cardiomyocyte membrane depolarization Effects 0.000 description 1
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种心电信号分类训练方法、分类方法、装置及存储介质。该分类训练方法包括：获取训练集中的心电信号；对所述心电信号基于深度神经网络进行训练，得到至少两种心律异常类型中各类型的预测概率值；对所述心电信号基于信号特征值的提取，得到所述至少两种心律异常类型中的各类型的目标特征值；基于所述至少两种心律异常类型中各类型的所述预测概率值和所述目标特征值，训练得到用于识别所述至少两种心律异常类型中各类型的分类器。对不同的心律异常类型，可以利用不同的目标特征值和预测概率值建立分类器，利于充分模仿医学专家的诊断过程，有效地利用了不同心律异常类型对应的特征信号，可以有效提高心电信号分类的准确率。
Description
技术领域
本发明涉及信号分析领域，尤其涉及一种心电信号分类训练方法、分类方法、装置及存储介质。
背景技术
相关技术中，往往可以基于机器学习对大量的心电信号进行深度学习，从而对正常心电和心率时常心电进行分类，其中，深度神经网络的结构往往会影响分类结果的好坏。
相关技术中，在基于深度神经网络进行特征学习时，并没有针对性地使用不同的心律失常对应的专家特征信号，具体来说，无论是要判断何种心律异常，使用的都是同一套专家特征信号。然而，很多对专家特征信号的判断都是基于医学知识，而医生在实际诊断时，会结合病人的实际情况判断，所以，专家特征信号是否异常的界限并不是严格与医学知识的界限一致的，从而导致现有的分类器的误检率较高。
发明内容
有鉴于此，本发明实施例提供了一种心电信号分类训练方法、分类方法、装置及存储介质，旨在提高心电信号分类的准确率。
本发明实施例的技术方案是这样实现的：
本发明实施例提供了一种心电信号分类训练方法，包括：
获取训练集中的心电信号；
对所述心电信号基于深度神经网络进行训练，得到至少两种心律异常类型中各类型的预测概率值；
对所述心电信号基于信号特征值的提取，得到所述至少两种心律异常类型中的各类型的目标特征值；
基于所述至少两种心律异常类型中各类型的所述预测概率值和所述目标特征值，训练得到用于识别所述至少两种心律异常类型中各类型的分类器。
本发明实施例还提供了一种心电信号分类方法，包括：
获取待识别的心电信号；
将所述待识别的心电信号输入如本发明实施例所述的心电信号分类训练方法训练好的心电信号分类模型中，所述心电信号分类模型确定所述待识别的心电信号在至少两种心律异常类型中各类型的预测概率值和目标特征值，并基于同一类型的所述预测概率值、所述目标特征值和分类器，得到各类型的分类结果。
本发明实施例还提供了一种心电信号分类训练装置，包括：
第一获取模块，用于获取训练集中的心电信号；
第一训练模块，用于对所述心电信号基于深度神经网络进行训练，得到至少两种心律异常类型中各类型的预测概率值；
特征提取模块，用于对所述心电信号基于信号特征值的提取，得到所述至少两种心律异常类型中的各类型的目标特征值；
第二训练模块，用于基于所述至少两种心律异常类型中各类型的所述预测概率值和所述目标特征值，训练得到用于识别所述至少两种心律异常类型中各类型的分类器。
本发明实施例又提供了一种心电信号分类装置，包括：
第二获取模块，用于获取待识别的心电信号；
分类模块，用于将所述待识别的心电信号输入本发明实施例所述心电信号分类训练装置训练好的心电信号分类模型中，所述心电信号分类模型确定所述待识别的心电信号在至少两种心律异常类型中各类型的预测概率值和目标特征值，并基于同一类型的所述预测概率值、所述目标特征值和分类器，得到各类型的分类结果。
本发明实施例还提供了一种心电信号分类训练设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器，用于运行计算机程序时，执行本发明实施例所述心电信号分类训练方法的步骤。
本发明实施例又提供了一种心电信号分类设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器，用于运行计算机程序时，执行本发明实施例所述心电信号分类方法的步骤。
本发明实施例还提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现本发明任一实施例所述方法的步骤。
本发明实施例提供的技术方案，对训练集中的心电信号，基于深度神经网络进行训练，得到至少两种心律异常类型中各类型的预测概率值；及基于信号特征值的提取，得到所述至少两种心律异常类型中的各类型的目标特征值；然后，基于所述至少两种心律异常类型中各类型的所述预测概率值和所述目标特征值，训练得到用于识别所述至少两种心律异常类型中各类型的分类器，从而对不同的心律异常类型，可以利用不同的目标特征值和预测概率值建立分类器，利于充分模仿医学专家的诊断过程，有效地利用了不同心律异常类型对应的特征信号，可以有效提高心电信号分类的准确率。
附图说明
图1为本发明实施例心电信号分类训练方法的流程示意图；
图2为本发明一应用示例中心电信号分类训练方法的原理示意图；
图3为本发明一应用示例中多尺度深度神经网络的架构示意图；
图4为本发明实施例心电信号分类方法的流程示意图；
图5为本发明实施例心电信号分类训练装置的结构示意图；
图6为本发明实施例心电信号分类装置的结构示意图；
图7为本发明实施例心电信号分类训练设备的结构示意图；
图8为本发明实施例心电信号分类设备的结构示意图。
具体实施方式
下面结合附图及实施例对本发明再作进一步详细的描述。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
本发明实施例提供了心电信号分类训练方法，如图1所述，该心电信号训练分类方法包括：
步骤101，获取训练集中的心电信号；
步骤102，对所述心电信号基于深度神经网络进行训练，得到至少两种心律异常类型中各类型的预测概率值；
步骤103，对所述心电信号基于信号特征值的提取，得到所述至少两种心律异常类型中的各类型的目标特征值；
步骤104，基于所述至少两种心律异常类型中各类型的所述预测概率值和所述目标特征值，训练得到用于识别所述至少两种心律异常类型中各类型的分类器。
本发明实施例中，对训练集中的心电信号，基于深度神经网络进行训练，得到至少两种心律异常类型中各类型的预测概率值；及基于信号特征值的提取，得到所述至少两种心律异常类型中的各类型的目标特征值；然后，基于所述至少两种心律异常类型中各类型的所述预测概率值和所述目标特征值，训练得到用于识别所述至少两种心律异常类型中各类型的分类器，从而对不同的心律异常类型，可以利用不同的目标特征值和预测概率值建立分类器，利于充分模仿医学专家的诊断过程，有效地利用了不同心律异常类型对应的特征信号，可以有效提高心电信号分类的准确率。
在一些实施例中，获取训练集中的心电信号之前，可以对原始的心电信号进行预处理。
示例性地，可以对多导联心电信号进行预处理，其中，预处理包括以下至少之一：归一化处理、去除基线漂移、去除高频噪声及去除工频噪声等。
在一些实施例中，所述对所述心电信号基于深度神经网络进行训练，得到至少两种心律异常类型中各类型的预测概率值，包括：
对所述心电信号，基于卷积模块、双向GRU(Gated Recurrent Unit，门控循环单元)模块、全连接层及分类模块进行分类，得到至少两种心律异常类型中各类型的预测概率值；
其中，所述卷积模块包括：至少两个残差网络分支及与各所述残差网络分支对应的通道注意力机制(channel attention)单元，各所述残差网络分支中的卷积核的大小不同，所述通道注意力机制单元用于调整所处的所述残差网络分支的权重值。
这里，由于各所述残差网络分支中的卷积核的大小不同，可以感受不同尺度的心电信号特征，如此，既可以观察一段时间内不同心拍之间的波形差异，亦可以观察单个心拍内各个波之前的时长间隔、相对幅值等是否在医学正常范围之内，以便更好地抓取心电信号的异常特征；此外，通道注意力机制单元可以对心电信号进行不同尺度的观测通道赋予不同的权重，其中，更能代表心电特征的分支的权重更高，从而可以更好地学习心电信号特征；再次，CNN(卷积神经网络)和GRU结构的结合，既应用了CNN强大的特征提取功能，又利用了RNN(Recurrent Neural Network，循环神经网络)对心电信号的前后时序关系的提取能力。
在一些实施例中，所述方法还包括：
基于预设的节点比例对所述双向GRU模块的隐层节点进行随机筛选，确定用于训练的保留节点。
实际应用中，为了防止模型过拟合，可以在每一次对心电信号的训练过程中，进行dropout，即按照预设的节点比例对训练的双向GRU模块的隐层节点进行随机筛选，获取用于训练输入信号的保留节点。其中，预设的节点比例可以根据需求进行合理调整。
在一些实施例中，所述对所述心电信号基于信号特征值的提取，得到所述至少两种心律异常类型中的各类型的目标特征值，包括：
识别所述心电信号中的P波、Q波、R波、S波和T波；
基于所述P波、Q波、R波、S波和T波，确定所述心电信号的信号特征值；
基于所述信号特征值，确定所述心电信号对应于所述至少两种心律异常类型中的各类型的目标特征值。
这里，P波为最初产生偏离的波，它反映心房除极过程的电位变化，代表了两个心房的去极。示例性地，可以采用X_P表示P波的波形序列(即心电图横坐标表示的时间)，采用ecg(X_P)表示P波的心电信号幅值序列(即心电图纵坐标表示的电压幅值)。
这里，Q波为R波前向下(负向)的波。示例性地，可以采用X_Q表示Q波的波形序列，采用ecg(X_Q)表示Q波的心电信号幅值序列。
这里，R波为第一个向上(正向)的波。示例性地，可以采用X_R表示R波的波形序列，采用ecg(X_R)表示R波的心电信号幅值序列。
这里，S波为R波后第一个向下的波。示例性地，可以采用X_S表示S波的波形序列，采用ecg(X_S)表示S波的心电信号幅值序列。
这里，T波为心室快速复极过程产生的电流所形成的波，代表心室肌复极过程引起的电位变化；出现在QRS波群后面。示例性地，可以采用X_T表示T波的波形序列，采用ecg(X_T)表示T波的心电信号幅值序列。
示例性地，可以识别每个心拍中P、Q、R、S、T等典型波的位置，然后根据需要计算的参数目标，计算各个波群的宽度、幅值、间隔等，进而计算出医生在诊断时比较关注的、与诊断心律失常直接相关的专家特征信号值(即信号特征值)，包括但不限于QT间期、按心率校正的QT间期、QRS间期、PP间期、RR间期、P波宽度、电轴度数、SV1、RV5、心室率、心房率等。其中，QT间期为整个心室肌自开始除极至复极完毕的总时间；QRS间期为心室肌除极时间；PP间期为窦性周期，即2个P波之间的时间；RR间期为室性周期，即2个R波之间的时间；SV1代表V1导联的S波；RV5代表V5导联的R波。
在一些实施例中，所述至少两种心律异常类型包括：早搏、传导阻滞、房颤房扑、心动过速、心动过缓及心率不齐中的至少两种；所述目标特征值及所述分类器均与所述至少两种心律异常类型中各类型一一对应。
下面结合应用示例对本发明实施例的心电信号分类训练方法再作进一步详细的描述。
如图2所示，心电信号分类训练方法包括：
1)、预处理；
这里，可以对多导联心电信号(即原始心电信号)进行预处理，包括归一化处理、去除基线漂移、去除高频噪声、去除工频噪声等。
2)、深度神经网络训练部分；
预处理后的心电信号数据集通过多分类的多尺度深度神经网络的训练，得到可以区分正常和多种心律异常的多分类模型，其中多分类包括但不限于正常、早搏、传导阻滞、房颤房扑、心动过速、心动过缓、心率不齐、其他等。
示例性地，多尺度深度神经网络(ResAttentionGRUNet)的具体架构图如图3所示。其中，多导联心电信号可以是12导联或8导联的，每个导联都是一维信号。本应用示例中，对输入信号(INPUT)的处理也是作为一维信号处理的，不同导联作为不同通道进行输入，后续的卷积模型都是一维的。示例性地，输入信号首先进入4个(此数量不限，以4为例)残差网络分支(即Res1至Res4)，每个残差网络分支为6个一维residual block(残差块)组成的卷积模块，后续加上一个channel attention模块，其中每个分支的卷积核(kernel)大小不同(此例中分别为2、4、8、16)，以感受不同尺度的心电信号特征。因为心电信号的诊断，既需要观察一段时间内不同心拍之间的波形差异，也需要观察单个心拍内各个波之前的时长间隔、相对幅值等是否在医学正常范围之内，因此，本应用示例中的深度神经网络，channelattention模块可以对心电信号进行不同尺度的观通道赋予不同的权重，使得更能代表心电特征的通道权重更高，如此，多个残差网络分支构成为多尺度模块，此后经多个分支多尺度处理后得到的特征进行融合，即通过图3所示的concat(合并)层、Dense layer(全连接层)及Average pooling(平均池化)层处理，得到融合后的特征，再通过多层双向GRU(BiGRU)模块(图3示意为两层，实际应用中可以根据需求设置更多)、Dense layer、Averagepooling层，最后通过softmax进行多分类，得到各类型的预测概率值(Multi-classesprobability)。示例性地，为了防止模型过拟合，可以在每一次对心电信号的训练过程中，进行dropout，即按照预设的节点比例对训练的GRU神经网络的隐层节点进行随机筛选，获取用于训练输入信号的保留节点。
本应用示例中的多尺度深度神经网络包括以下优点：1、多尺度融合可以结合心电的长时间特征和短时间特征，以便更好地抓取到心电信号的异常特征；2、channelattention机制的应用通过对不同通道赋予不同的权重，间接诠释了不同导联心电信号的重要性；3、CNN和GRU结构的结合既应用了CNN强大的特征提取功能，又利用了RNN对心电信号的前后时序关系的提取能力。
3)、特征信号计算部分；
预处理后的信号通过识别每个心拍中P、Q、R、S、T等典型波的位置，然后根据需要计算的参数目标计算各个波群的宽度、幅值、间隔等，进而计算出医生在诊断时比较关注的、与诊断心律失常直接相关的专家特征信号值，包括但不限于QT间期、按心率校正的QT间期、PT间期、QRS间期、P波宽度、电轴度数、SV1、RV5、心室率、心房率等。
4)、传统特征值与深度神经网络特异性结合训练分类器；
每个心电信号通过2)中训练好的多分类多尺度深度神经网络模型，可以得到属于每类心律失常的概率值，同时通过3)的计算可以得到各种特征信号值(如QT间期、按心率校正的QT间期、PT间期、QRS间期、P波宽度、电轴度数、SV1、RV5、心室率、心房率等)。
然后，分别根据每一类心率失常对应的特征信号值和该类的预测概率值，建立该类的机器学习分类模型(如XGBoost、随机森林等)，若有N种心律异常类型，则共建立N个分类器。举例说明，在构建房室传导阻滞分类器时，则将每条心电的房室传导阻滞这一类的概率，加上特征信号值中的PR间期、心房率、心室率、P波数量/R波数量比值、RR间期的最大最小值均值，共同作为机器学习模型的输入来训练是否房室传导阻滞的分类器；又例如，在构建心率不齐分类器时，则将每条心电的心率不齐这一类的概率，加上特征信号值中的心房率、心室率、PP间期的最大最小值均值、RR间期的最大最小值均值，共同作为机器学习模型的输入来训练是否心率不齐的分类器；又例如，在构建房颤分类器时，则将每条心电的房颤这一类的概率，加上特征信号值中的P波个数、P波幅度、心房率、心室率、RR间期的最大最小值均值、Q波幅度、R波幅度、S波幅度，共同作为机器学习模型的输入来训练是否房颤的分类器。
如此，完成了本发明实施例心电信号分类模型的训练过程。
本发明实施例还提供了一种心电信号分类方法，如图4所述，包括：
步骤401，获取待识别的心电信号；
步骤402，将所述待识别的心电信号输入心电信号分类训练方法训练好的心电信号分类模型中，所述心电信号分类模型确定所述待识别的心电信号在至少两种心律异常类型中各类型的预测概率值和目标特征值，并基于同一类型的所述预测概率值、所述目标特征值和分类器，得到各类型的分类结果。
本发明实施例中，采用前述实施例所述的心电信号分类训练方法训练得到心电信号分类模型，由于通过目标特征值与深度神经网络的预测概率共同建立分类器的方法，使得心电信号分类模型自动通过大数据学习到专家特征信号对有无某类心律异常的贡献，自动学习不同部分的权重，更能充分发挥机器学习的优势。相较于以往技术中用阈值规则法判断特征信号的方法，更适合基于心电信号的实际应用场景，提高心电信号分类的准确率。
在一些实施例中，待识别心电信号的判断结果可以为判断出的各心律异常类型的分类结果的并集，若各种心律异常类型的判断都为否，则该心电信号属于正常类。
为了实现本发明实施例的方法，本发明实施例还提供一种心电信号分类训练装置，该心电信号分类训练装置与上述心电信号分类训练方法对应，上述心电信号分类训练方法实施例中的各步骤也完全适用于本心电信号分类训练装置实施例。
如图5所示，该心电信号分类训练装置包括：第一获取模块501、第一训练模块502、特征提取模块503及第二训练模块504；其中，第一获取模块501用于获取训练集中的心电信号；第一训练模块502用于对所述心电信号基于深度神经网络进行训练，得到至少两种心律异常类型中各类型的预测概率值；特征提取模块503用于对所述心电信号基于信号特征值的提取，得到所述至少两种心律异常类型中的各类型的目标特征值；第二训练模块504用于基于所述至少两种心律异常类型中各类型的所述预测概率值和所述目标特征值，训练得到用于识别所述至少两种心律异常类型中各类型的分类器。
在一些实施例中，第一训练模块502具体用于：
对所述心电信号，基于卷积模块、双向GRU模块、全连接层及分类模块进行分类，得到至少两种心律异常类型中各类型的预测概率值；
其中，所述卷积模块包括：至少两个残差网络分支及与各所述残差网络分支对应的通道注意力机制单元，各所述残差网络分支中的卷积核的大小不同，所述通道注意力机制单元用于调整所处的所述残差网络分支的权重值。
在一些实施例中，第一训练模块502还用于：
基于预设的节点比例对所述双向GRU模块的隐层节点进行随机筛选，确定用于训练的保留节点。
在一些实施例中，特征提取模块503具体用于：
识别所述心电信号中的P波、Q波、R波、S波和T波；
基于所述P波、Q波、R波、S波和T波，确定所述心电信号的信号特征值；
基于所述信号特征值，确定所述心电信号对应于所述至少两种心律异常类型中的各类型的目标特征值。
在一些实施例中，所述至少两种心律异常类型包括：早搏、传导阻滞、房颤房扑、心动过速、心动过缓及心率不齐中的至少两种；所述目标特征值及所述分类器均与所述至少两种心律异常类型中各类型一一对应。
实际应用时，第一获取模块501、第一训练模块502、特征提取模块503及第二训练模块504，可以由心电信号分类训练装置中的处理器来实现。当然，处理器需要运行存储器中的计算机程序来实现它的功能。
需要说明的是：上述实施例提供的心电信号分类训练装置在进行心电信号分类训练时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的心电信号分类训练装置与心电信号分类训练方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
为了实现本发明实施例的方法，本发明实施例还提供一种心电信号分类装置，该心电信号分类装置与上述心电信号分类方法对应，上述心电信号分类方法实施例中的各步骤也完全适用于本心电信号分类装置实施例。
如图6所示，该心电信号分类装置包括：第二获取模块601及分类模块602，其中，第二获取模块601用于获取待识别的心电信号；分类模块602将所述待识别的心电信号输入如前述实施例所述的心电信号分类训练装置训练好的心电信号分类模型中，所述心电信号分类模型确定所述待识别的心电信号在至少两种心律异常类型中各类型的预测概率值和目标特征值，并基于同一类型的所述预测概率值、所述目标特征值和分类器，得到各类型的分类结果。
实际应用时，第二获取模块601及分类模块602，可以由心电信号分类装置中的处理器来实现。当然，处理器需要运行存储器中的计算机程序来实现它的功能。
需要说明的是：上述实施例提供的心电信号分类装置在进行心电信号分类时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的心电信号分类装置与心电信号分类方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
基于上述程序模块的硬件实现，且为了实现本发明实施例的方法，本发明实施例还提供一种心电信号分类训练设备。图7仅仅示出了该心电信号分类训练设备的示例性结构而非全部结构，根据需要可以实施图7示出的部分结构或全部结构。
如图7所示，本发明实施例提供的心电信号分类训练设备700包括：至少一个处理器701、存储器702、用户接口703和至少一个网络接口704。心电信号分类训练设备700中的各个组件通过总线系统705耦合在一起。可以理解，总线系统705用于实现这些组件之间的连接通信。总线系统705除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图7中将各种总线都标为总线系统705。
其中，用户接口703可以包括显示器、键盘、鼠标、轨迹球、点击轮、按键、按钮、触感板或者触摸屏等。
本发明实施例中的存储器702用于存储各种类型的数据以支持心电信号分类训练设备的操作。这些数据的示例包括：用于在心电信号分类训练设备上操作的任何计算机程序。
本发明实施例揭示的心电信号分类训练方法可以应用于处理器701中，或者由处理器701实现。处理器701可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，心电信号分类训练方法的各步骤可以通过处理器701中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器701可以是通用处理器、数字信号处理器(DSP，DigitalSignal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器701可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器702，处理器701读取存储器702中的信息，结合其硬件完成本发明实施例提供的心电信号分类训练方法的步骤。
在示例性实施例中，心电信号分类训练设备700可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable LogicDevice)、FPGA、通用处理器、控制器、微控制器(MCU，Micro Controller Unit)、微处理器(Microprocessor)、或者其他电子元件实现，用于执行前述方法。
基于上述程序模块的硬件实现，且为了实现本发明实施例的方法，本发明实施例还提供一种心电信号分类设备。图8仅仅示出了该心电信号分类设备的示例性结构而非全部结构，根据需要可以实施图8示出的部分结构或全部结构。
如图8所示，本发明实施例提供的心电信号分类设备800包括：至少一个处理器801、存储器802、用户接口803和至少一个网络接口804。心电信号分类设备800中的各个组件通过总线系统805耦合在一起。可以理解，总线系统805用于实现这些组件之间的连接通信。总线系统805除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图8中将各种总线都标为总线系统805。
其中，用户接口803可以包括显示器、键盘、鼠标、轨迹球、点击轮、按键、按钮、触感板或者触摸屏等。
本发明实施例中的存储器802用于存储各种类型的数据以支持心电信号分类设备的操作。这些数据的示例包括：用于在心电信号分类设备上操作的任何计算机程序。
本发明实施例揭示的心电信号分类训练方法可以应用于处理器801中，或者由处理器801实现。处理器801可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，心电信号分类训练方法的各步骤可以通过处理器801中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器801可以是通用处理器、数字信号处理器(DSP，DigitalSignal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器801可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器802，处理器801读取存储器802中的信息，结合其硬件完成本发明实施例提供的心电信号分类方法的步骤。
在示例性实施例中，心电信号分类设备800可以被一个或多个ASIC、DSP、PLD、CPLD、FPGA、通用处理器、控制器、MCU、Microprocessor、或其他电子元件实现，用于执行前述方法。
可以理解，存储器702、802可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read OnlyMemory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
在示例性实施例中，本发明实施例还提供了一种存储介质，即计算机存储介质，具体可以是计算机可读存储介质，例如包括存储计算机程序的存储器702，上述计算机程序可由心电信号分类训练设备700的处理器701执行，以完成本发明实施例心电信号分类训练方法所述的步骤；又如，包括存储计算机程序的存储器802，上述计算机程序可由心电信号分类设备800的处理器801执行，以完成本发明实施例心电信号分类方法所述的步骤。计算机可读存储介质可以是ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器。
需要说明的是：“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
另外，本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (11)
1.一种心电信号分类训练方法，其特征在于，包括：
获取训练集中的心电信号；
对所述心电信号基于深度神经网络进行训练，得到至少两种心律异常类型中各类型的预测概率值；
对所述心电信号基于信号特征值的提取，得到所述至少两种心律异常类型中的各类型的目标特征值；
基于所述至少两种心律异常类型中各类型的所述预测概率值和所述目标特征值，训练得到用于识别所述至少两种心律异常类型中各类型的分类器。
2.根据权利要求1所述的方法，其特征在于，所述对所述心电信号基于深度神经网络进行训练，得到至少两种心律异常类型中各类型的预测概率值，包括：
对所述心电信号，基于卷积模块、双向门控循环单元GRU模块、全连接层及分类模块进行分类，得到至少两种心律异常类型中各类型的预测概率值；
其中，所述卷积模块包括：至少两个残差网络分支及与各所述残差网络分支对应的通道注意力机制单元，各所述残差网络分支中的卷积核的大小不同，所述通道注意力机制单元用于调整所处的所述残差网络分支的权重值。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
基于预设的节点比例对所述双向GRU模块的隐层节点进行随机筛选，确定用于训练的保留节点。
4.根据权利要求1所述的方法，其特征在于，所述对所述心电信号基于信号特征值的提取，得到所述至少两种心律异常类型中的各类型的目标特征值，包括：
识别所述心电信号中的P波、Q波、R波、S波和T波；
基于所述P波、Q波、R波、S波和T波，确定所述心电信号的信号特征值；
基于所述信号特征值，确定所述心电信号对应于所述至少两种心律异常类型中的各类型的目标特征值。
5.根据权利要求1所述的方法，其特征在于，所述至少两种心律异常类型包括：早搏、传导阻滞、房颤房扑、心动过速、心动过缓及心率不齐中的至少两种；所述目标特征值及所述分类器均与所述至少两种心律异常类型中各类型一一对应。
6.一种心电信号分类方法，其特征在于，包括：
获取待识别的心电信号；
将所述待识别的心电信号输入如权利要求1至5任一所述的心电信号分类训练方法训练好的心电信号分类模型中，所述心电信号分类模型确定所述待识别的心电信号在至少两种心律异常类型中各类型的预测概率值和目标特征值，并基于同一类型的所述预测概率值、所述目标特征值和分类器，得到各类型的分类结果。
7.一种心电信号分类训练装置，其特征在于，包括：
第一获取模块，用于获取训练集中的心电信号；
第一训练模块，用于对所述心电信号基于深度神经网络进行训练，得到至少两种心律异常类型中各类型的预测概率值；
特征提取模块，用于对所述心电信号基于信号特征值的提取，得到所述至少两种心律异常类型中的各类型的目标特征值；
第二训练模块，用于基于所述至少两种心律异常类型中各类型的所述预测概率值和所述目标特征值，训练得到用于识别所述至少两种心律异常类型中各类型的分类器。
8.一种心电信号分类装置，其特征在于，包括：
第二获取模块，用于获取待识别的心电信号；
分类模块，将所述待识别的心电信号输入如权利要求7所述心电信号分类训练装置训练好的心电信号分类模型中，所述心电信号分类模型确定所述待识别的心电信号在至少两种心律异常类型中各类型的预测概率值和目标特征值，并基于同一类型的所述预测概率值、所述目标特征值和分类器，得到各类型的分类结果。
9.一种心电信号分类训练设备，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，
所述处理器，用于运行计算机程序时，执行权利要求1至5任一项所述方法的步骤。
10.一种心电信号分类设备，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，
所述处理器，用于运行计算机程序时，执行权利要求6所述方法的步骤。
11.一种存储介质，所述存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010931379.3A CN114224355A (zh) | 2020-09-07 | 2020-09-07 | 心电信号分类训练方法、分类方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010931379.3A CN114224355A (zh) | 2020-09-07 | 2020-09-07 | 心电信号分类训练方法、分类方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114224355A true CN114224355A (zh) | 2022-03-25 |
Family
ID=80742427
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010931379.3A Pending CN114224355A (zh) | 2020-09-07 | 2020-09-07 | 心电信号分类训练方法、分类方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114224355A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115211866A (zh) * | 2022-09-07 | 2022-10-21 | 西南民族大学 | 一种心律失常分类方法、系统及电子设备 |
| CN115886830A (zh) * | 2022-12-09 | 2023-04-04 | 中科南京智能技术研究院 | 一种十二导联心电图的分类方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108968951A (zh) * | 2018-08-15 | 2018-12-11 | 武汉中旗生物医疗电子有限公司 | 心电图检测方法、装置及系统 |
| CN108968941A (zh) * | 2018-05-25 | 2018-12-11 | 深圳市太空科技南方研究院 | 一种心律失常检测方法、装置及终端 |
| US20190059763A1 (en) * | 2017-08-25 | 2019-02-28 | Cambridge Heartwear Limited | Method of detecting abnormalities in ecg signals |
| CN109871742A (zh) * | 2018-12-29 | 2019-06-11 | 安徽心之声医疗科技有限公司 | 一种基于注意力循环神经网络的心电信号定位方法 |
| CN110384482A (zh) * | 2019-06-26 | 2019-10-29 | 广州视源电子科技股份有限公司 | 心电信号分类方法、装置、计算机设备和存储介质 |
| CN110393519A (zh) * | 2019-08-19 | 2019-11-01 | 广州视源电子科技股份有限公司 | 心电信号的分析方法、装置、存储介质和处理器 |
| CN110840402A (zh) * | 2019-11-19 | 2020-02-28 | 山东大学 | 一种基于机器学习的房颤信号识别方法及系统 |
| 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 |
| CN111358459A (zh) * | 2020-02-11 | 2020-07-03 | 广州视源电子科技股份有限公司 | 一种心律失常识别方法、装置、设备和存储介质 |
| CN111488793A (zh) * | 2020-02-21 | 2020-08-04 | 广州视源电子科技股份有限公司 | 心电信号分类方法、装置、电子设备和存储介质 |
| US20200260980A1 (en) * | 2017-11-27 | 2020-08-20 | Lepu Medical Technology (Bejing) Co., Ltd. | Method and device for self-learning dynamic electrocardiography analysis employing artificial intelligence |
-
2020
- 2020-09-07 CN CN202010931379.3A patent/CN114224355A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190059763A1 (en) * | 2017-08-25 | 2019-02-28 | Cambridge Heartwear Limited | Method of detecting abnormalities in ecg signals |
| US20200260980A1 (en) * | 2017-11-27 | 2020-08-20 | Lepu Medical Technology (Bejing) Co., Ltd. | Method and device for self-learning dynamic electrocardiography analysis employing artificial intelligence |
| CN108968941A (zh) * | 2018-05-25 | 2018-12-11 | 深圳市太空科技南方研究院 | 一种心律失常检测方法、装置及终端 |
| CN108968951A (zh) * | 2018-08-15 | 2018-12-11 | 武汉中旗生物医疗电子有限公司 | 心电图检测方法、装置及系统 |
| CN109871742A (zh) * | 2018-12-29 | 2019-06-11 | 安徽心之声医疗科技有限公司 | 一种基于注意力循环神经网络的心电信号定位方法 |
| CN110384482A (zh) * | 2019-06-26 | 2019-10-29 | 广州视源电子科技股份有限公司 | 心电信号分类方法、装置、计算机设备和存储介质 |
| CN110393519A (zh) * | 2019-08-19 | 2019-11-01 | 广州视源电子科技股份有限公司 | 心电信号的分析方法、装置、存储介质和处理器 |
| CN110840402A (zh) * | 2019-11-19 | 2020-02-28 | 山东大学 | 一种基于机器学习的房颤信号识别方法及系统 |
| 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 |
| CN111358459A (zh) * | 2020-02-11 | 2020-07-03 | 广州视源电子科技股份有限公司 | 一种心律失常识别方法、装置、设备和存储介质 |
| CN111488793A (zh) * | 2020-02-21 | 2020-08-04 | 广州视源电子科技股份有限公司 | 心电信号分类方法、装置、电子设备和存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115211866A (zh) * | 2022-09-07 | 2022-10-21 | 西南民族大学 | 一种心律失常分类方法、系统及电子设备 |
| CN115211866B (zh) * | 2022-09-07 | 2022-12-27 | 西南民族大学 | 一种心律失常分类方法、系统及电子设备 |
| CN115886830A (zh) * | 2022-12-09 | 2023-04-04 | 中科南京智能技术研究院 | 一种十二导联心电图的分类方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sellami et al. | A robust deep convolutional neural network with batch-weighted loss for heartbeat classification | |
| Chen et al. | Arrhythmia recognition and classification using ECG morphology and segment feature analysis | |
| CN110890155B (zh) | 一种基于导联注意力机制的多类心律失常检测方法 | |
| Diker et al. | A new technique for ECG signal classification genetic algorithm Wavelet Kernel extreme learning machine | |
| KR102451795B1 (ko) | 심전도 신호의 검출 방법 | |
| US20230143594A1 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
| Jalali et al. | Atrial fibrillation prediction with residual network using sensitivity and orthogonality constraints | |
| EP4092570A1 (en) | Heartbeat classification method for multi-tag ecg signal labeling, and device | |
| CN111626114B (zh) | 基于卷积神经网络的心电信号心律失常分类系统 | |
| Ivaturi et al. | A comprehensive explanation framework for biomedical time series classification | |
| Andersen et al. | A novel approach for automatic detection of Atrial Fibrillation based on Inter Beat Intervals and Support Vector Machine | |
| Xia et al. | Generative adversarial network with transformer generator for boosting ECG classification | |
| CN111631705A (zh) | 心电异常检测方法、模型训练方法、装置、设备及介质 | |
| Rohmantri et al. | Arrhythmia classification using 2D convolutional neural network | |
| CN109770861B (zh) | 心电节律模型的训练及检测方法、装置、设备和存储介质 | |
| CN114224355A (zh) | 心电信号分类训练方法、分类方法、装置及存储介质 | |
| Elhaj et al. | Hybrid classification of Bayesian and extreme learning machine for heartbeat classification of arrhythmia detection | |
| Sharma et al. | Deep learning-based non-invasive fetal cardiac arrhythmia detection | |
| Dang et al. | A novel deep convolutional neural network for arrhythmia classification | |
| Tao et al. | ECG-based expert-knowledge attention network to tachyarrhythmia recognition | |
| Yakut et al. | A high-performance arrhythmic heartbeat classification using ensemble learning method and PSD based feature extraction approach | |
| Hassan et al. | Performance comparison of CNN and LSTM algorithms for arrhythmia classification | |
| Alim et al. | Application of machine learning on ecg signal classification using morphological features | |
| Rahuja et al. | A deep neural network approach to automatic multi-class classification of electrocardiogram signals | |
| CN111528833B (zh) | 一种心电信号的快速识别与处理方法及系统 |
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 |