CN114652324B - 一种单心拍分类方法、装置、设备及计算机可读存储介质 - Google Patents
一种单心拍分类方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114652324B CN114652324B CN202210182882.2A CN202210182882A CN114652324B CN 114652324 B CN114652324 B CN 114652324B CN 202210182882 A CN202210182882 A CN 202210182882A CN 114652324 B CN114652324 B CN 114652324B
- Authority
- CN
- China
- Prior art keywords
- heartbeat
- heartbeat signal
- wave
- signal
- network
- 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
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
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/353—Detecting P-waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/355—Detecting T-waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/363—Detecting tachycardia or bradycardia
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种单心拍分类方法,通过提取每个单心拍信号的特征,将每个单心拍信号和每个单心拍信号的特征输入至第一分类网络中,利用第一分类网络学习相邻心拍信号之间的特征变化规律,输出每个单心拍信号的权重和类别;将每个单心拍信号的权重和类别进行合并,输出每个单心拍信号为非异常心拍或异常心拍的分类结果;将异常心拍和异常心拍的特征输入至第二分类网络中,通过第二分类网络学习异常心拍之间的特征变化规律,输出异常心拍为室上性异常心拍或室性异常心拍的分类结果。本发明通过考虑每个单心拍信号和每个异常心拍之间的特征变化规律,能够有效提高心拍分类的准确性,提高基于人工智能系统的疾病检测性能。
Description
技术领域
本发明涉及人工智能和信号处理技术领域,尤其是指一种单心拍分类方法、装置、设备及计算机可读存储介质。
背景技术
根据AAMI标准,在心电图中,心律失常分为五大类,既非异常心拍、室上性异常心拍,室性异常心拍,融合心拍以及未知心拍。其中,室上性异常和室性异常心拍具有较高的分类难度。
单心拍分类方法是对单个心拍进行分类。现有的单个心拍分类算法实现形式有:一对单个心拍直接进行分类,使用分类器深度学习。二对单个心拍进行特征提取,如提取当前心拍的间期、小波分量、偏度、峰度、样本熵等,然后将这些特征送物分类器进行分类,分类器有随机森林、SVM以及深度学习网络等。但是未考虑心拍特征之间的变化规律,从而不能有效的提高心拍的分类准确率。因此,需要设计一种单心拍分类方法。
发明内容
为此,本发明所要解决的技术问题在于克服现有技术中未考虑心拍特征之间的变化规律,而导致心拍的分类不准确的缺陷。
为解决上述技术问题,本发明提供了一种单心拍分类方法,包括:
获取连续心拍信号,根据所述连续心拍信号的R波位置将所述连续心拍信号分割,获得单心拍信号;
提取每个单心拍信号的特征,将所述每个单心拍信号和所述每个单心拍信号的特征输入至第一分类网络中,通过所述第一分类网络逐步下采样学习相邻心拍信号之间的特征变化规律,输出所述每个单心拍信号的权重和类别;
将所述每个单心拍信号的权重和类别进行合并,输出所述每个单心拍信号为非异常心拍或异常心拍的分类结果;
将所述异常心拍和所述异常心拍的特征输入至第二分类网络中,通过所述第二分类网络逐步下采样学习所述异常心拍之间的特征变化规律,输出所述异常心拍为室上性异常心拍或室性异常心拍的分类结果。
在本发明的一个实施例中,所述获取连续心拍信号,根据所述连续心拍信号的R波位置将所述连续心拍信号分割,获得单心拍信号包括:
获取所述连续心拍信号,利用带通滤波器对所述连续心拍信号进行去噪,根据所述连续心拍信号的R波位置将所述连续心拍信号进行分割,获得所述单心拍信号。
在本发明的一个实施例中,所述提取每个单心拍信号的特征包括:提取所述每个单心拍信号的R波前后间期、T波存在标志、P波存在标志和偏度值。
在本发明的一个实施例中,所述提取所述每个单心拍信号的T波存在标志和P波存在标志包括:
将所述每个单心拍信号分别输入至T波存在标志提取网络和P波存在标志提取网络中,分别识别所述每个单心拍信号中的T波和P波,输出所述每个单心拍信号的T波识别结果和P波识别结果;
对所述每个单心拍信号的T波识别结果和P波识别结果进行计算处理,获得计算后的T波结果值和P波结果值;
若所述T波结果值大于第一阈值,则所述单心拍信号存在T波,否则不存在T波;
若所述P波结果值大于第二阈值,则所述单心拍信号存在P波,否则不存在P波。
在本发明的一个实施例中,所述提取每个单心拍信号的特征,将所述每个单心拍信号和所述每个单心拍信号的特征输入至第一分类网络中,通过所述第一分类网络逐步下采样学习相邻心拍信号之间的特征变化规律,输出所述每个单心拍信号的权重和类别包括:
将所述每个单心拍信号和所述每个单心拍信号的R波前后间期输入至所述第一分类网络的a网络中逐步下采样学习相邻心拍信号及其R波前后间期之间的变化规律,输出所述每个单心拍信号的权重ω;
将所述每个单心拍信号和所述每个单心拍信号的R波前后间期输入至所述第一分类网络的b网络中逐步下采样学习所述相邻心拍信号及其R波前后间期之间的变化规律,输出所述每个单心拍信号的类别X1;
将所述每个单心拍信号的R波前后间期输入至所述第一分类网络的c网络中逐步下采样学习所述相邻心拍信号之间R波前后间期的变化规律,输出所述每个单心拍信号的类别X2;
将所述每个单心拍信号的特征输入至所述第一分类网络的d网络中逐步下采样学习所述相邻心拍信号之间特征的变化规律,输出所述每个单心拍信号的类别X3。
在本发明的一个实施例中,所述将所述每个单心拍信号的权重和类别进行合并,输出所述每个单心拍信号的分类结果包括:
根据y=X1+X2+ωX3,将所述每个单心拍信号的类别X1、X2和X3和所述每个单心拍信号的权重ω进行合并,输出所述每个单心拍信号的分类结果。
本发明提供了一种单心拍分类装置,包括:
分割模块,用于获取连续心拍信号,根据所述连续心拍信号的R波位置将所述连续心拍信号分割,获得单心拍信号;
提取模块,用于提取每个单心拍信号的特征,将所述每个单心拍信号和所述每个单心拍信号的特征输入至第一分类网络中,通过所述第一分类网络逐步下采样学习相邻心拍信号之间的特征变化规律,输出所述每个单心拍信号的权重和类别;
合并模块,用于将所述每个单心拍信号的权重和类别进行合并,输出所述每个单心拍信号为非异常心拍或异常心拍的分类结果;
分类模块,用于将所述异常心拍和所述异常心拍的特征输入至第二分类网络中,通过所述第二分类网络逐步下采样学习所述异常心拍之间的特征变化规律,输出所述异常心拍为室上性异常心拍或室性异常心拍的分类结果。
在本发明的一个实施例中,所述分割模块包括:
去噪单元,用于获取所述连续心拍信号,利用带通滤波器对所述连续心拍信号进行去噪,根据所述连续心拍信号的R波位置将所述连续心拍信号进行分割,获得所述单心拍信号。
本发明提供了一种单心拍分类设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述的一种单心拍分类方法的步骤。
本发明提供了一种计算机可读存储介质,其特征在于,所述计算机可读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如上述的一种单心拍分类方法的步骤。
本发明的上述技术方案相比现有技术具有以下优点:
本发明所述的单心拍分类方法,通过提取每个单心拍信号的特征,将每个单心拍信号和每个单心拍信号的特征输入至第一分类网络中,通过第一分类网络逐步下采样学习相邻心拍信号之间的特征变化规律,输出每个单心拍信号的权重和类别;将每个单心拍信号的权重和类别进行合并,输出每个单心拍信号为非异常心拍或异常心拍的分类结果;将异常心拍和异常心拍的特征输入至第二分类网络中,通过第二分类网络逐步下采样学习异常心拍之间的特征变化规律,输出异常心拍为室上性异常心拍或室性异常心拍的分类结果。本发明使用心拍的特征参与心拍分类,并利用分类网络逐步下采样学习每个单心拍信号和每个异常心拍之间的特征变化规律,通过考虑心拍之间的特征变化规律,能够有效提高心拍分类的准确性,提高基于人工智能系统的疾病检测性能。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明,其中:
图1为本发明所提供的单心拍分类方法的第一种具体实施例的流程图;
图2为本发明所提供的单心拍分类方法的第二种具体实施例的流程图;
图3为本发明所提供的单心拍分类方法的示意图;
图4a为所提取的R波前后间期示意图;
图4b为所提取的Skewness值示意图;
图4c为所提取的T波存在标志示意图;
图4d为所提取的P波存在标志示意图;
图4e为标签示意图,1的位置为异常心拍;
图5为T波P波存在标志提取网络示意图;
图6为非异常心拍和异常心拍分类示意图;
图7为室上性和室性心拍分类网络示意图;
图8为通用网络框架示意图;
图9为本发明实施例提供的一种单心拍分类方法的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
参照图1所示,图1为本发明所提供的单心拍分类方法的第一种具体实施例的流程图;具体操作步骤如下:
步骤S101:获取连续心拍信号,根据所述连续心拍信号的R波位置将所述连续心拍信号分割,获得单心拍信号;
步骤S102:提取每个单心拍信号的特征,将所述每个单心拍信号和所述每个单心拍信号的特征输入至第一分类网络中,通过所述第一分类网络逐步下采样学习相邻心拍信号之间的特征变化规律,输出所述每个单心拍信号的权重和类别;
步骤S103:将所述每个单心拍信号的权重和类别进行合并,输出所述每个单心拍信号为非异常心拍或异常心拍的分类结果;
步骤S104:将所述异常心拍和所述异常心拍的特征输入至第二分类网络中,通过所述第二分类网络逐步下采样学习所述异常心拍之间的特征变化规律,输出所述异常心拍为室上性异常心拍或室性异常心拍的分类结果。
本实施例所提供的方法,通过提取每个单心拍信号的特征,利用分类网络逐步下采样和上采样学习每个单心拍信号和每个异常心拍的特征变化规律,能够有效提高室性和室上性异常心拍检测的准确性,提高基于人工智能的心电诊断系统的疾病检测性能。
基于上述实施例,本实施例是对单心拍分类方法作进一步说明;请参考图2和图3所示,图2为本发明所提供的单心拍分类方法的第二种具体实施例的流程图;图3为本发明所提供的单心拍分类方法的示意图,具体操作步骤如下:
步骤S201:获取连续心拍信号,利用带通滤波器对所述连续心拍信号进行去噪;
步骤S202:根据所述连续心拍信号的R波位置将所述连续心拍信号进行分割,获得单心拍信号;
获取连续心拍信号,利用带宽为1-40Hz的带通滤波器对所述连续心拍信号进行去噪;根据连续心拍信号的R波位置将连续心拍信号进行分割,分割长度为360个采样点,获得单心拍信号。
步骤S203:提取每个单心拍信号的特征;其中,所述每个单心拍信号的特征包括R波前后间期、T波存在标志、P波存在标志、偏度值;
对所述每个单个心拍的特征进行提取,一次性提取相邻的20个心拍。所提取的特征包括R波前后间期、T波存在标志、P波存在标志、skewness偏度值,如图4所示。
T波存在标志提取网络的深度(Depth)为2,卷积数量(Filtersize)为43,层数(Level)为3,第一层的卷积核大小(Kernelsize)为15,第二层的卷积核大小(Kernelsize)为5,第三层的卷积核大小(Kernelsize)为1,网络路径为Regression波形检测路径,未使用最后的BN层。P波存在标志提取网络的深度(Depth)为3,卷积数量(Filtersize)为49,层数(Level)为1,该层的卷积核大小(Kernelsize)为15,网络路径为Regression波形检测路径,未使用最后的BN层,如图5所示。
所述T波存在标志和P波存在标志的提取过程为:将所述每个单心拍信号分别输入至T波存在标志提取网络和P波存在标志提取网络中,所述T波存在标志提取网络和P波存在标志提取网络分别识别所述每个单心拍信号中的T波和P波,输出所述每个单心拍信号的T波识别结果和P波识别结果;对所述每个单心拍信号的T波识别结果和P波识别结果进行计算处理,对T波识别结果求和并除以360,对P波识别结果求和并除以360,获得计算后的T波结果值和P波结果值;若所述T波结果值大于第一阈值0.6,则单心拍存在T波,标志为1,否则所述单心拍不存在T波,标志为0;若所述P波结果值大于第二阈值0.4,则所述单心拍存在P波,标志为1,否则所述单心拍不存在P波,标志为0。
步骤S204:将所述每个单心拍信号和所述每个单心拍信号的R波前后间期输入至所述第一分类网络的a网络中逐步下采样学习相邻心拍信号及其R波前后间期之间的变化规律,输出所述每个单心拍信号的权重ω;
步骤S205:将所述每个单心拍信号和所述每个单心拍信号的R波前后间期输入至所述第一分类网络的b网络中逐步下采样学习所述相邻心拍信号及其R波前后间期之间的变化规律,输出所述每个单心拍信号的类别X1;
步骤S206:将所述每个单心拍信号的R波前后间期输入至所述第一分类网络的c网络中逐步下采样学习所述相邻心拍信号之间R波前后间期的变化规律,输出所述每个单心拍信号的类别X2;
步骤S207:将所述每个单心拍信号的特征输入至所述第一分类网络的d网络中逐步下采样学习所述相邻心拍信号之间特征的变化规律,输出所述每个单心拍信号的类别X3;
步骤S208:将所述每个单心拍信号的权重和类别进行合并,输出所述每个单心拍信号为非异常心拍或异常心拍的分类结果;
如图6所示,第一分类网络包括a、b、c、d四个网络,第一分类网络的a网络深度(Depth)为2,卷积数量(Filtersize)为1,层数(Level)为2,第一层的卷积核大小(Kernelsize)为11,第二层的卷积核大小(Kernelsize)为9,网络路径为Classification分类路径,未使用最后的BN层。第一分类网络的b网络深度(Depth)为1,卷积数量(Filtersize)为44,层数(Level)为1,该层的卷积核大小(Kernelsize)为19,网络路径为Classification分类路径,使用最后的BN层。第一分类网络的c网络深度(Depth)为1,卷积数量(Filtersize)为8,层数(Level)为3,第一层的卷积核大小(Kernelsize)为9,第二层的卷积核大小(Kernelsize)为9,第三层的卷积核大小(Kernelsize)为1,网络路径为Regression波形检测路径,使用最后的BN层。第一分类网络的d网络深度(Depth)为1,卷积数量(Filtersize)为20,层数(Level)为1,该层的卷积核大小(Kernelsize)为1,网络路径为Regression波形检测路径,使用最后的BN层。
第一分类网络的a网络将心拍信号与R波前后间期作为输入,输出每一个心拍的权重ω。第一分类网络的b网络同样将心拍信号与R波前后间期(Pre-RR为R波前间期,Post-RR为R波后间期)作为输入,输出每一个心拍的类别X1(非异常类及异常类)。第一分类网络的c网络只输入R波前后间期作为输入,输出每一个心拍的类别X2。第一分类网络的d网络以整个特征矩阵作为网络输入,输出每一个心拍的类别X3,整个特征矩阵为每个单心拍信号的R波前后间期、T波存在标志、P波存在标志、skewness偏度值。
其中,第一分类网络结构的中a,b,c,d四个网络是分别进行训练的,首先分别训练b,c,d三个网络,分别得到网络输出结果X1、X2、X3,然后再训练网络a,将a的输出作为权重ω。网络b,c,d在进行反馈时是将X1、X2、X3与心拍类别标签计算误差。对于网络a,是y与心拍类别标签计算误差。因此网络a的结果中融合了网络b,c,d的结果。
将所述每个单心拍信号的类别X1、X2、X3和权重ω输入至公式y=X1+X2+ωX3中进行合并,输出所述每个单心拍信号的分类结果,若所述单心拍信号的分类结果的标志为1,则所述单心拍信号为异常心拍,若所述单心拍信号的分类结果的标志为0,则所述单心拍信号为非异常心拍,至此,所述非异常心拍和所述异常心拍被成功分类。
步骤S209:将所述异常心拍和所述异常心拍的特征输入至第二分类网络中,通过所述第二分类网络逐步下采样学习所述异常心拍之间的特征变化规律,输出所述异常心拍为室上性异常心拍或室性异常心拍的分类结果。
所述第二分类网络可以将异常心拍进一步分为室上性异常心拍和室性异常心拍,如图7所示,所述第二分类网络的深度(Depth)为3,卷积数量(Filtersize)为27,层数(Level)为2,第一层的卷积核大小(Kernelsize)为3,第二层的卷积核大小(Kernelsize)为5,网络路径为Classification分类路径,使用最后的BN层。所述第二分类网络将所述异常心拍和所述异常心拍的特征作为输入,输出所述异常心拍为室上性异常心拍或室性异常心拍的分类结果,若所述异常心拍的分类结果的标志为1,则所述异常心拍为室性异常心拍,若所述异常心拍的分类结果的标志为0,则异常心拍为室上性异常心拍。
第一分类网络、所述第二分类网络、T波存在标志提取网络和P波存在标志提取网络都为Unet网络可由图8的网络框架通过不同的超参数实现。图8中网络结构是U型,是图像领域Unet网络的变体。网络每下采样一次,特征图的长度缩小为原来的一半。与之对应的是,网络每上采样一次,特征图的长度扩增为原来的二倍。超参数包括深度(Depth),卷积数量(Filtersize),层数(Level),每一层卷积核大小(Kernelsize),是否使用最后的BN层,是分类路径还是波形检测路径(Classification Output和Wave Detection output)。
第一分类网络、第二分类网络、T波存在标志提取网络和P波存在标志提取网络训练的条件是Pytorch 1.8.1,CUDA 10.2,Nvidia RTX2080 Ti。学习率是0.0001,使用adam优化器,使用BCELoss损失函数。本方法在MITBIH Arrhythmia Database进行测试。结果如表1所示。
表1与其他方法比较结果
请参考图9,图9为本发明实施例提供的一种单心拍分类方法的结构框图;具体装置可以包括:
分割模块100,用于获取连续心拍信号,根据所述连续心拍信号的R波位置将所述连续心拍信号分割,获得单心拍信号;
提取模块200,用于提取每个单心拍信号的特征,将所述每个单心拍信号和所述每个单心拍信号的特征输入至第一分类网络中,通过所述第一分类网络逐步下采样学习相邻心拍信号之间的特征变化规律,输出所述每个单心拍信号的权重和类别;
合并模块300,用于将所述每个单心拍信号的权重和类别进行合并,输出所述每个单心拍信号为非异常心拍或异常心拍的分类结果;
分类模块400,用于将所述异常心拍和所述异常心拍的特征输入至第二分类网络中,通过所述第二分类网络逐步下采样学习所述异常心拍之间的特征变化规律,输出所述异常心拍为室上性异常心拍或室性异常心拍的分类结果。
本实施例的单心拍分类装置用于实现前述的单心拍分类方法,因此单心拍分类装置中的具体实施方式可见前文中的单心拍分类方法的实施例部分,例如,100,200,300和400分别用于实现上述单心拍分类方法中步骤S101,S102,S103和S104,所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再赘述。
本发明具体实施例还提供了一种单心拍分类设备,包括:存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现上述一种单心拍分类方法的步骤。
本发明具体实施例还提供了一种计算机可读存储介质,所述计算机可读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上述一种单心拍分类方法的步骤。
本实施例所提供的方法,通过使用人工特征参与心拍分类,对人工特征的变化进行进一步的特征提取,并通过多个网络集成的方式,能够有效提高室性和室上性异常心拍检测的准确性,提高基于人工智能的心电诊断系统的疾病检测性能。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (8)
1.一种单心拍分类方法,其特征在于,包括:
获取连续心拍信号,根据所述连续心拍信号的R波位置将所述连续心拍信号分割,获得单心拍信号;
提取每个单心拍信号的特征,包括R波前后间期、T波存在标志、P波存在标志和偏度值,将所述每个单心拍信号和所述每个单心拍信号的特征输入至第一分类网络中,通过所述第一分类网络逐步下采样学习相邻心拍信号之间的特征变化规律,输出所述每个单心拍信号的权重和类别;
将所述每个单心拍信号的权重和类别进行合并,输出所述每个单心拍信号为非异常心拍或异常心拍的分类结果:
将所述每个单心拍信号和所述每个单心拍信号的R波前后间期输入至所述第一分类网络的a网络中逐步下采样学习相邻心拍信号及其R波前后间期之间的变化规律,输出所述每个单心拍信号的权重ω;
将所述每个单心拍信号和所述每个单心拍信号的R波前后间期输入至所述第一分类网络的b网络中逐步下采样学习所述相邻心拍信号及其R波前后间期之间的变化规律,输出所述每个单心拍信号的类别X1;
将所述每个单心拍信号的R波前后间期输入至所述第一分类网络的c网络中逐步下采样学习所述相邻心拍信号之间R波前后间期的变化规律,输出所述每个单心拍信号的类别X2;
将所述每个单心拍信号的特征输入至所述第一分类网络的d网络中逐步下采样学习所述相邻心拍信号之间特征的变化规律,输出所述每个单心拍信号的类别X3;
将所述异常心拍和所述异常心拍的特征输入至第二分类网络中,通过所述第二分类网络逐步下采样学习所述异常心拍之间的特征变化规律,输出所述异常心拍为室上性异常心拍或室性异常心拍的分类结果。
2.根据权利要求1所述的方法,其特征在于,所述获取连续心拍信号,根据所述连续心拍信号的R波位置将所述连续心拍信号分割,获得单心拍信号包括:
获取所述连续心拍信号,利用带通滤波器对所述连续心拍信号进行去噪,根据所述连续心拍信号的R波位置将所述连续心拍信号进行分割,获得所述单心拍信号。
3.根据权利要求1所述的方法,其特征在于,所述提取所述每个单心拍信号的T波存在标志和P波存在标志包括:
将所述每个单心拍信号分别输入至T波存在标志提取网络和P波存在标志提取网络中,分别识别所述每个单心拍信号中的T波和P波,输出所述每个单心拍信号的T波识别结果和P波识别结果;
对所述每个单心拍信号的T波识别结果和P波识别结果进行计算处理,获得计算后的T波结果值和P波结果值;
若所述T波结果值大于第一阈值,则所述单心拍信号存在T波,否则不存在T波;
若所述P波结果值大于第二阈值,则所述单心拍信号存在P波,否则不存在P波。
4.根据权利要求1所述的方法,其特征在于,所述将所述每个单心拍信号的权重和类别进行合并,输出所述每个单心拍信号的分类结果包括:
根据y=X1+X2+ωX3,将所述每个单心拍信号的类别X1、X2和X3和所述每个单心拍信号的权重ω进行合并,输出所述每个单心拍信号的分类结果。
5.一种单心拍分类装置,其特征在于,包括:
分割模块,用于获取连续心拍信号,根据所述连续心拍信号的R波位置将所述连续心拍信号分割,获得单心拍信号;
提取模块,用于提取每个单心拍信号的特征,包括R波前后间期、T波存在标志、P波存在标志和偏度值,将所述每个单心拍信号和所述每个单心拍信号的特征输入至第一分类网络中,通过所述第一分类网络逐步下采样学习相邻心拍信号之间的特征变化规律,输出所述每个单心拍信号的权重和类别;
合并模块,用于将所述每个单心拍信号的权重和类别进行合并,输出所述每个单心拍信号为非异常心拍或异常心拍的分类结果:将所述每个单心拍信号和所述每个单心拍信号的R波前后间期输入至所述第一分类网络的a网络中逐步下采样学习相邻心拍信号及其R波前后间期之间的变化规律,输出所述每个单心拍信号的权重ω;
将所述每个单心拍信号和所述每个单心拍信号的R波前后间期输入至所述第一分类网络的b网络中逐步下采样学习所述相邻心拍信号及其R波前后间期之间的变化规律,输出所述每个单心拍信号的类别X1;
将所述每个单心拍信号的R波前后间期输入至所述第一分类网络的c网络中逐步下采样学习所述相邻心拍信号之间R波前后间期的变化规律,输出所述每个单心拍信号的类别X2;
将所述每个单心拍信号的特征输入至所述第一分类网络的d网络中逐步下采样学习所述相邻心拍信号之间特征的变化规律,输出所述每个单心拍信号的类别X3;
分类模块,用于将所述异常心拍和所述异常心拍的特征输入至第二分类网络中,通过所述第二分类网络逐步下采样学习所述异常心拍之间的特征变化规律,输出所述异常心拍为室上性异常心拍或室性异常心拍的分类结果。
6.根据权利要求5所述的装置,其特征在于,所述分割模块包括:
去噪单元,用于获取所述连续心拍信号,利用带通滤波器对所述连续心拍信号进行去噪,根据所述连续心拍信号的R波位置将所述连续心拍信号进行分割,获得所述单心拍信号。
7.一种单心拍分类设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至4任一项所述一种单心拍分类方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读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如权利要求1至4任一项所述一种单心拍分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210182882.2A CN114652324B (zh) | 2022-02-25 | 2022-02-25 | 一种单心拍分类方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210182882.2A CN114652324B (zh) | 2022-02-25 | 2022-02-25 | 一种单心拍分类方法、装置、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114652324A CN114652324A (zh) | 2022-06-24 |
CN114652324B true CN114652324B (zh) | 2023-04-07 |
Family
ID=82027508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210182882.2A Active CN114652324B (zh) | 2022-02-25 | 2022-02-25 | 一种单心拍分类方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114652324B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5251626A (en) * | 1990-07-03 | 1993-10-12 | Telectronics Pacing Systems, Inc. | Apparatus and method for the detection and treatment of arrhythmias using a neural network |
CN107714023B (zh) * | 2017-11-27 | 2020-09-01 | 上海优加利健康管理有限公司 | 基于人工智能自学习的静态心电图分析方法和装置 |
KR20200125256A (ko) * | 2019-04-26 | 2020-11-04 | 삼성에스디에스 주식회사 | 심전도 분석 장치 및 방법 |
CN110236520B (zh) * | 2019-05-20 | 2020-09-29 | 上海数创医疗科技有限公司 | 基于双卷积神经网络的心电图类型识别装置 |
CN110693486B (zh) * | 2019-09-27 | 2022-06-14 | 武汉中旗生物医疗电子有限公司 | 一种心电图的异常标注方法及装置 |
EP4051096A4 (en) * | 2019-10-29 | 2023-11-15 | Zoll Medical Israel Ltd. | SYSTEMS, DEVICES AND METHODS FOR CARDIAC DIAGNOSIS AND/OR MONITORING |
-
2022
- 2022-02-25 CN CN202210182882.2A patent/CN114652324B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114652324A (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | A study on arrhythmia via ECG signal classification using the convolutional neural network | |
US10869610B2 (en) | System and method for identifying cardiac arrhythmias with deep neural networks | |
Clifford et al. | Recent advances in heart sound analysis | |
Lu et al. | Feature fusion for imbalanced ECG data analysis | |
Shimpi et al. | A machine learning approach for the classification of cardiac arrhythmia | |
EP3777674A1 (en) | Time series data learning and analyzing method using artificial intelligence | |
CN108511055B (zh) | 基于分类器融合及诊断规则的室性早搏识别系统及方法 | |
Wang et al. | CAB: classifying arrhythmias based on imbalanced sensor data | |
Almoosawi et al. | ResNet-34/DR: a residual convolutional neural network for the diagnosis of diabetic retinopathy | |
Kaya et al. | Feature selection using genetic algorithms for premature ventricular contraction classification | |
CN107391900A (zh) | 房颤检测方法、分类模型训练方法及终端设备 | |
Abdelmaguid et al. | Left ventricle segmentation and volume estimation on cardiac mri using deep learning | |
KR20190114384A (ko) | 신경망을 기반으로 하는 피부 병변 진단 장치 및 방법 | |
Matias et al. | Robust Anomaly Detection in Time Series through Variational AutoEncoders and a Local Similarity Score. | |
CN111951965A (zh) | 基于时序知识图谱的全景式健康动态监测与预测系统 | |
CN112949639A (zh) | 一种先天性心脏病心音智能分割分类算法、装置及存储介质 | |
Peláez et al. | Ischemia classification via ECG using MLP neural networks | |
Golrizkhatami et al. | Multi-scale features for heartbeat classification using directed acyclic graph CNN | |
Xu et al. | Interpatient ECG arrhythmia detection by residual attention CNN | |
Maithili et al. | Optimized CNN model for diabetic retinopathy detection and classification | |
CN112336369B (zh) | 一种多通道心音信号的冠心病风险指数评估系统 | |
CN114652324B (zh) | 一种单心拍分类方法、装置、设备及计算机可读存储介质 | |
WO2021031155A1 (zh) | 一种基于ecg的多尺度特征提取方法及装置 | |
Song et al. | [Retracted] A Multimodel Fusion Method for Cardiovascular Disease Detection Using ECG | |
Yildirim et al. | Heartbeat type classification with optimized feature vectors |
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 |