CN114847905B - 一种心率失常数据检测识别方法及系统 - Google Patents
一种心率失常数据检测识别方法及系统 Download PDFInfo
- Publication number
- CN114847905B CN114847905B CN202210507105.0A CN202210507105A CN114847905B CN 114847905 B CN114847905 B CN 114847905B CN 202210507105 A CN202210507105 A CN 202210507105A CN 114847905 B CN114847905 B CN 114847905B
- Authority
- CN
- China
- Prior art keywords
- layer
- data
- convolution
- neural network
- network model
- 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
- 206010003119 arrhythmia Diseases 0.000 title claims abstract description 47
- 230000006793 arrhythmia Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000001514 detection method Methods 0.000 title claims description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 30
- 238000011176 pooling Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 23
- 230000004913 activation Effects 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 8
- 230000003213 activating effect Effects 0.000 claims description 6
- 238000012806 monitoring device Methods 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 11
- 206010006578 Bundle-Branch Block Diseases 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 208000009729 Ventricular Premature Complexes Diseases 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 208000002102 Atrial Premature Complexes Diseases 0.000 description 4
- 206010006580 Bundle branch block left Diseases 0.000 description 4
- 206010006582 Bundle branch block right Diseases 0.000 description 4
- AUYYCJSJGJYCDS-LBPRGKRZSA-N Thyrolar Chemical class IC1=CC(C[C@H](N)C(O)=O)=CC(I)=C1OC1=CC=C(O)C(I)=C1 AUYYCJSJGJYCDS-LBPRGKRZSA-N 0.000 description 4
- 201000001715 left bundle branch hemiblock Diseases 0.000 description 4
- 201000007916 right bundle branch block Diseases 0.000 description 4
- 239000005495 thyroid hormone Substances 0.000 description 4
- 229940036555 thyroid hormone Drugs 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 206010019280 Heart failures Diseases 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 210000004351 coronary vessel Anatomy 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000002565 electrocardiography Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 208000019622 heart disease Diseases 0.000 description 2
- 230000004217 heart function Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 210000001685 thyroid gland Anatomy 0.000 description 2
- 206010003658 Atrial Fibrillation Diseases 0.000 description 1
- 206010003671 Atrioventricular Block Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 206010014418 Electrolyte imbalance Diseases 0.000 description 1
- 208000004301 Sinus Arrhythmia Diseases 0.000 description 1
- 206010042434 Sudden death Diseases 0.000 description 1
- 230000000954 anitussive effect Effects 0.000 description 1
- 239000003434 antitussive agent Substances 0.000 description 1
- 229940124584 antitussives Drugs 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000007914 intraventricular administration Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001314 paroxysmal effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 239000000126 substance Substances 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
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- 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
- 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)
- Cardiology (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种心率失常数据检测识别方法及系统，所述方法包括步骤：S100、获取心电图数据，对心电图数据进行预处理得到标准心电数据；S200、构建神经网络模型，所述神经网络模型用于处理标准心电数据；S300、将标准心电数据输入神经网络模型，得到标准心电数据的分类结果。本发明通过构建神经网络模型对临床采集的心电图像数据进行识别，得到心电图像数据的分类结果，快速判断患者心率失常的类型，并且，该神经网络模型将卷积模块与LSTM模块（长短期记忆模型）结合实现心律失常的五分类任务，利用LSTM模块捕获心电数据之间的位置关联（序列特征），提高了心电图五分类任务的准确率。
Description
技术领域
本发明具体涉及心率失常识别技术领域，具体是一种心率失常数据检测识别方法及系统。
背景技术
心律失常分析正是基于对心电信号波形分析，造成心律失常最主要的原因就是人体心脏器官本身的原因，特别是冠状动脉，心脏辨膜发生病变以及心力衰竭，心脏机能会随着年龄增长发生退化；二是高血压，在人体血压升高情况下，心脏会受到影响，而且高血压患者特别容易诱发冠心病，血管也会因为血压高长期影响发生病变；三是甲状腺问题，甲状腺分泌的甲状腺激素起着调节人体系统功能，这个部位如果发生病变，会使甲状腺激素分泌发生异常，分泌过多时会对人体心血管系统起到刺激作用，心率加快，心脏输出血液量增加，甲状腺异常以房室性早搏多见，也可能发生阵发性或持续性心房微颤。有时可能被误诊为心脏病；四是药物，某些止咳药和要感冒药包括治疗心脏病药物会造成心律失常；五是电解质不平衡，电解质指人体血液中的物质，浓度过高或过低会影响电脉冲，从而造成心律失常；六是兴奋剂，兴奋剂可以使心脏收缩舒张过程加快，严重影响人体的心脏严重时可导致猝死，另外，情绪紧张，吸烟饮酒等原因也可能导致心律失常发生。
心电图检查在医院已成为常见检验项目，心电图是医生判断病人心脏状况最基本的指标；心电图信号是由心脏的电活动引起的非平稳周期性生物信号，因为心脏结构复杂和心脏活动规律较多，所以心律失常类型分类较多，主要包括有正常心拍(N)、左束支阻滞(L)、右束支阻滞(R)、房性期前收缩(A)和室性期前收缩(V)这五种情况；由于心电图只有经过专业培训的医生才能准确解读，且同类型的心律失常数据在相同患者的不同阶段之间的心电图很可能有明显变化，从而导致了心率失常数据的判断和分类的困难。
发明内容
本发明的目的在于提供一种心率失常数据检测识别方法及系统，以解决上述背景技术中提出的心电图只有经过专业培训的医生才能准确解读，且同类型的心律失常数据在相同患者的不同阶段之间的心电图很可能有明显变化，从而导致了心率失常数据的判断和分类的困难的问题。
为实现上述目的，本发明提供如下技术方案：
一种心率失常数据检测识别方法，包括以下步骤：
S100、获取心电图数据，对心电图数据进行预处理得到标准心电数据；
S200、构建神经网络模型，所述神经网络模型用于处理标准心电数据；
S300、将标准心电数据输入神经网络模型，得到标准心电数据的分类结果，其中：
步骤S200包括：
S201、获取MIT-BIH心律失常数据库中的心电数据集，将心电数据集分为训练集、验证集和测试集；
S202、构建神经网络模型，所述神经网络模型包括卷积模块和LSTM模块，卷积模块的输出作为LSTM模块的输入，所述卷积模块设有五段卷积，每段卷积均包括有卷积层、ReLu激活层和池化层，所述LSTM模块设有隐藏层、注意力层和加权输出层；
S203、使用训练集的数据对构建的神经网络模型进行训练，即将训练集数据输入到步骤S202中的神经网络模型进行迭代；
S204、使用验证集的数据对训练好的神经网络模型进行验证；
S205、将测试集的数据输入到训练好的神经网络模型，得到识别结果；
S206、判断识别结果是否符合预期，结果不符合时，继续步骤S203；结果符合时，神经网络模型构建完成。
作为本发明进一步的方案：步骤S100包括：
S101、获取心电监测设备输出的心电图数据；
S102、对所述心电图数据集进行预处理。
作为本发明再进一步的方案：步骤S102中，采用中值滤波对心电图数据集进行预处理，中值滤波的中值运算公式为：
y(n)＝med[x(m-k)，…，x(m)，…，x(m+k)]
其中，m为在这个窗口中某个样本点，m点周围区域中信号为x(m-k)，x(m)，x(m+k)，med[]表示对窗口内的样本点m做中值运算。
作为本发明再进一步的方案：步骤S201中，将心电数据集分为训练集、验证集和测试集的方式为：随机选取处理好的心电数据集，将心电数据集中的80％数据作为训练集，10％作为验证集，10％作为测试集。
作为本发明再进一步的方案：步骤S202中，所述神经网络模型还包括有输入层、拼接层、全连接层和输出层，所述输入层与卷积模块连接，卷积模块与LSTM模块连接，LSTM模块与拼接层连接，拼接层与全连接层连接，全连接层与和输出层连接，其中：
卷积模块，用于提取心电图数据特征，然后使用Relu激活函数激活心电图数据特征，接着采用最大池化策略池化激活后心电图数据特征，得到心电图数据特征向量Fk(t)，记为：
Fk(t)＝[x1，x2，…，xk]；
所述LSTM层包括隐藏层、注意力层和加权输出层，其中：
隐藏层，用于对心电图数据特征向量进行数据处理，得到隐藏层输出ht，其中：
ht＝LSTM(ht-1，Fk(t))；
注意力层，基于Softmax函数对权重进行归一化，得到归一化权重记为：
其中：自学习函数f为tanh函数，/>为网络权重，/>为偏置项，/>和/>通过模型训练进行参数更新；
加权输出层，用于将隐藏层输出ht与归一化权重进行加权求和，得到向量数量为k的序列特征，记为：
所述拼接层用于将卷积模块的心电图数据特征向量Fk(t)与序列特征Fk LSTM进行拼接，得到输出特征向量F，其中：
作为本发明再进一步的方案：步骤S202中，所述神经网络模型还包括有Dropout层，所述Dropout层设置于所述拼接层和全连接层之间。
作为本发明再进一步的方案：所述卷积模块的五段卷积包括：
第一段卷积：包括两个卷积层，每层64个卷积核；
第二段卷积：包括两个卷积层，每层128个卷积核；
第三段卷积：包括三个卷积层，每层256个卷积核；
第四段卷积：包括三个卷积层，每层512个卷积核；
第五段卷积：包括三个卷积层，每层512个卷积核。
作为本发明再进一步的方案：各段卷积中的卷积层使用的卷积核相同，尺寸为3*3，卷积步长均为1。
作为本发明再进一步的方案：每个卷积层后均设有ReLu激活层，ReLu激活层采用ReLu激活函数对卷积得到的特征图片进行激活，每段卷积后军设有池化层，所述池化层为最大池化层，池化层的池化核大小为2*2*64，步长为2。
一种心率失常数据检测识别系统，包括：
获取模块，用于获取图像，所述图像包括心电图数据和心电数据集；
处理模块，用于构建识别模型，所述识别模型为用于识别图像的神经网络模型；还用于基于所述识别模型对图像进行识别，得到识别结果；
输出模块，用于输出识别结果。
与现有技术相比，本发明的有益效果是：本发明通过构建神经网络模型对临床采集的心电图像数据进行识别，得到心电图像数据的分类结果，快速判断患者心率失常的类型，并且，该神经网络模型将卷积模块与LSTM模块(长短期记忆模型)结合实现心律失常的五分类任务，利用LSTM模块捕获心电数据之间的位置关联(序列特征)，提高了心电图五分类任务的准确率。
附图说明
图1为心率失常数据检测识别方法的流程图。
图2为心率失常数据检测识别方法中步骤S200的流程图。
图3为心率失常数据检测识别系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
心电图检查在医院已成为常见检验项目，心电图是医生判断病人心脏状况最基本的指标；心电图信号是由心脏的电活动引起的非平稳周期性生物信号，因为心脏结构复杂和心脏活动规律较多，所以心律失常类型分类较多，主要包括有正常心拍(N)、左束支阻滞(L)、右束支阻滞(R)、房性期前收缩(A)和室性期前收缩(V)这五种情况；由于心电图只有经过专业培训的医生才能准确解读，且同类型的心律失常数据在相同患者的不同阶段之间的心电图很可能有明显变化，从而导致了心率失常数据的判断和分类的困难。
基于此，请参阅图1和2，本发明实施例中，一种心率失常数据检测识别方法，包括以下步骤：
S100、获取心电图数据，对心电图数据进行预处理得到标准心电数据；
在本发明实施例中，步骤S100的具体实施步骤如下：
S101、获取心电监测设备输出的心电图数据；
S102、对所述心电图数据进行预处理；
需要说明的是，心电监测设备输出的心电图数据为心电信号，心电信号具有生物电信号的共同特征，微弱容易受到噪声的干扰，在使用这些数据时，需要对数据进行滤波处理，得到有用的数据，心电信号受干扰的类型有工频干扰、肌电干扰、基线漂移等，其中，基线漂移对于心电信号干扰最严重，它会造成心电信号整体偏移基线位置，造成心拍不在同一水平方向，随着时间的变化在基线位置上下变化，使心电信号整体波动，影响临床工作者判断，它的幅值最大可以达到正常心电信号幅值百分之十五，产生这种情况的原因主要是人体呼吸过程造成，电极移动其他低频干扰等也会产生影响，因此，需要对心电信号进行除基线漂移处理，具体处理方式采用中值滤波方法，中值滤波方法的原理是一种基于排序统计处理技术，将数字序列中某一点的相邻位置各点中值来代替这个点，通过这种方法可以很好消除孤立噪声点，中值滤波的中值运算公式如下：
y(n)＝med[x(m-k)，…，x(m)，…，x(m+k)]，
其中：m为在这个窗口中某个样本点，则在m点周围区域中信号为x(m-k)，x(m)，x(m+k)med[]作用是对窗口内的某个点做中值运算，可以求出在这段序列中从小到大顺序排列中间值。
S200、构建神经网络模型，所述神经网络模型用于处理标准心电数据；
在本发明实施例中，所述步骤S200的具体实施步骤如下：
S201、获取MIT-BIH心律失常数据库中的心电数据集，将心电数据集分为训练集、验证集和测试集，需要说明的是，MIT-BIH心律失常数据库中的心电数据集同样经过了数据预处理；
S202、构建神经网络模型，所述神经网络模型包括卷积模块和LSTM模块，卷积模块的输出作为LSTM模块的输入，所述卷积模块设有五段卷积，每段卷积均包括有卷积层、ReLu激活层和池化层，所述LSTM模块设有隐藏层、注意力层和加权输出层；
S203、使用训练集的数据对构建的神经网络模型进行训练，即将训练集数据输入到步骤S202中的神经网络模型进行迭代；
S204、使用验证集的数据对训练好的神经网络模型进行验证；
S205、将测试集的数据输入到训练好的神经网络模型，得到识别结果；
S206、判断识别结果是否符合预期，结果不符合时，继续步骤S203；结果符合时，神经网络模型构建完成。
在步骤S201中，构建神经网络模型时需要大量数据对模型进行训练，在国际上通用的心律失常心电数据库主要是四个，代表了这个领域的权威性，国际心电研究者们通常都是采用它们的数据作为心电数据来源，本发明实施例采用的是麻省理工大学主导和以色列的贝斯医院(Beth Israel)合作的MIT-BIH数据库，MIT-BIH数据库是应用最多的数据库，MIT-BIH数据库是通过对47个成人个体采集了48段长度为0.5小时双导联心电数据，包括百分之六十住院病人，百分之四十门诊病人，MIT-BIH数据库采样频率是360Hz,每一段数据长度可以达到65万个采样点，这两个信号采集方式是II导联和V5导联；
心律数据的检测正是基于对心电信号波形分析，造成心律失常最主要的原因就是人体心脏器官本身的原因，特别是冠状动脉，心脏辨膜发生病变以及心力衰竭，心脏机能会随着年龄增长发生退化，心律失常可以分为两大类，一是激动起源异常，它又包括窦性心律失常和异位心律失常，二是激动传导异常，它包括传导阻滞和传导途径异常。传导阻滞异常包括窦房传导阻滞、房内传导阻滞、房室传导阻滞和室内传导阻滞；MIT-BIH数据库在注释文件中有每个心拍R波的位置，并且有相应心律失常标签，主要对正常心拍(N)、左束支阻滞(L)、右束支阻滞(R)、房性期前收缩(A)和室性期前收缩(V)五种情况进行分类，用MATLAB自动提取注释文件中这五类心律异常心拍每一个R波位置并进行划分；
还有，步骤S201中，将心电数据分为训练集、验证集和测试集的方式为：
随机选取处理好的心电图数据集，将心电图数据集中80％数据作为训练集，10％作为验证集，10％作为测试集，设心电图数据集具有10000条心电数据，分类后得到训练集8000条，验证集1000条，测试集1000条。
在步骤S202中，所述神经网络模型还包括有输入层、拼接层、全连接层和输出层，所述输入层与卷积模块连接，卷积模块与LSTM模块连接，LSTM模块与拼接层连接，拼接层与全连接层连接，全连接层与和输出层连接，其中：
输入层，用于获取心电图数据；
卷积模块，用于提取心电图数据特征，然后使用Relu激活函数激活心电图数据特征，接着采用最大池化策略池化激活后心电图数据特征，得到心电图数据特征向量Fk(t)，记为：
Fk(t)＝[x1，x2，…，xk]；
在本发明实施例中，所述LSTM层包括隐藏层、注意力层和加权输出层，其中：
隐藏层，用于对心电图数据特征向量进行数据处理，得到隐藏层输出ht，其中：
ht＝LSTM(ht-1，Fk(t))；
注意力层，基于Softmax函数对权重进行归一化，得到归一化权重记为：
其中：自学习函数f为tanh函数，/>为网络权重，/>为偏置项，/>和/>通过模型训练进行参数更新；
加权输出层，用于将隐藏层输出ht与归一化权重进行加权求和，得到向量数量为k的序列特征，记为：
在本发明实施例中，所述拼接层用于将卷积模块的三个心电图数据特征向量Fk(t)与序列特征Fk LSTM进行拼接，得到输出特征向量F，其中：
将F输入到激活函数为Sigmoid的全连接层，随后将全连接层的输出输入到具有分类函数为Softmax分类器的输出层中，计算输出判别结果；
作为本发明实施例进一步的方案，所述拼接层和全连接层之间还设置有Dropout层，当训练集过大，而前馈神经网络相对复杂时，神经网络容易对某个类别数据进行过度学习影响准确率，从而造成过拟合情况，Dropout层在网络训练过程中让一部分神经元以一定概率停止工作，在实现过程中只要将神经元激活函数以需要的概率变为零就能实现，当把Dropout值设置成0.5时，这就意味着这一层神经元在经过Dropout处理后，100个神经元中将会有50个值被置为0，在每次迭代更新中Dropout随机置0的神经元不可能每次都相同，因此整个过程相当于对不同神经网络取平均值，不同随机过程产生不同过拟合情况，这样在整体上平均就达到了整体优化了过拟合情况，由于心电图片是简单三维图片，并且在MIT-BIH心律失常心电数据库中，每种类别图片数量分布不均匀，为了防止模型对图片数量最多的类别进行过度学习，从而对图片数量相对少类别学习不够，产生过拟合现象，影响分类数据准确率，因此迭代次数选择为20次。
在本发明实施例中，所述卷积模块的五段卷积具体包括：
第一段卷积：包括两个卷积层，每层64个卷积核；
第二段卷积：包括两个卷积层，每层128个卷积核；
第三段卷积：包括三个卷积层，每层256个卷积核；
第四段卷积：包括三个卷积层，每层512个卷积核；
第五段卷积：包括三个卷积层，每层512个卷积核；
其中，各段卷积中的卷积层使用的卷积核相同，尺寸为3*3，卷积步长均为1，每个卷积层后均设有ReLu激活层，ReLu激活层采用ReLu激活函数对卷积得到的特征图片进行激活，每段卷积后军设有池化层，本实施例优选采用最大池化层，池化层的池化核大小为2*2*64，步长为2，用于对卷积提取的特征图进行降维处理；
在训练过程中，把训练集数据每一张数据集大小调整为224*224尺寸大小，首先输入数据和5段卷积中第一段第一层卷积层进行卷积操作，卷积核为3*3*64，步长stride为1，计算第一段卷积第一层输出为222*222*64，为了和原图片尺寸保持一致，还需要通过padding对卷积后特征图片四周进行补零操作，所以实际输出为224*224*64，经过Relu激活函数激活后来到第一段第二层卷积层，输入为224*224*64，同样卷积核为3*3*64，步长为stride为1，经过padding四周补零后，输出为224*224*64，通过Relu激活函数激活后完成第一段卷积特征提取，在第一段卷积最后通过最大池化层对第一段卷积提取的特征图进行降维处理，特征图大小变为原始图像一半，变为112*112*64，依次类推第二段卷积，卷积核为128，所以经过第二段卷积后输出为56*56*128，第三段卷积输出28*28*256，第四段卷积输出为14*14*512，最后一段输出为7*7*512。
还有，本发明实施例中的神经网络模型中全连接层的每个神经元的输入可以表示为z＝ω1x1+ω2x2+b，其中，ω和b均为权重，神经网络模型的训练过程即为参数不断更新的过程，而参数的更新通过反向传播算法来使损失函数L(f)不断减小实现，所述反向传播算法包括前向传播和后向传播，在训练模型过程中，先通过前向传播运算得到预测值与真实值误差，再通过梯度下降法进行参数更新，梯度进行后向传播，从后向前逐层更新参数，其中：
其中，ci(θ)表示每次训练过程中的损失；
还有，对搭建的神经网络模型进行训练过程中需要对模型参数进行调整，使之符合心电图心律失常分类要求，网络学习速率设置为0.001(lr＝0.001)，用32张图片作为一个批量，冲量参数设置为0.9，Dropout值设置为0.5。
S300、将标准心电数据输入神经网络模型，得到标准心电数据的分类结果可以理解的是，所述分类结果为正常心拍(N)、左束支阻滞(L)、右束支阻滞(R)、房性期前收缩(A)和室性期前收缩(V)五种情况中的一种，本发明实施例将神经网络模型与LSTM模型(长短期记忆模型)结合实现心律失常的五分类任务，利用LSTM模块捕获心电数据之间的位置关联(序列特征)，提高了心电图五分类任务的准确率。
请参阅图3，本发明还公开了一种心率失常数据检测识别系统，包括：
获取模块100，用于获取图像，所述图像包括心电图数据和心电数据集；
处理模块200，用于构建识别模型，所述识别模型为用于识别图像的神经网络模型；还用于基于所述识别模型对图像进行识别，得到识别结果；
输出模块300，用于输出识别结果。
综上所述，本发明公开了一种心率失常数据检测识别方法及系统，所述方法包括步骤：S100、获取心电图数据，对心电图数据进行预处理得到标准心电数据；S200、构建神经网络模型，所述神经网络模型用于处理标准心电数据；S300、将标准心电数据输入神经网络模型，得到标准心电数据的分类结果。本发明通过构建神经网络模型对临床采集的心电图像数据进行识别，得到心电图像数据的分类结果，快速判断患者心率失常的类型，并且，该神经网络模型将卷积模块与LSTM模块(长短期记忆模型)结合实现心律失常的五分类任务，利用LSTM模块捕获心电数据之间的位置关联(序列特征)，提高了心电图五分类任务的准确率。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (6)
1.一种心率失常数据检测识别方法，其特征在于，包括以下步骤：
S100、获取心电图数据，对心电图数据进行预处理得到标准心电数据，具体包括S101、获取心电监测设备输出的心电图数据，S102、对所述心电图数据进行预处理，步骤S102中，采用中值滤波对心电图数据集进行预处理，中值滤波的中值运算公式为：
；
其中，m为在这个窗口中某个样本点，m点周围区域中信号为x（m-k）、x（m）、x（m+k），med[ ]表示对窗口内的样本点m做中值运算；
S200、构建神经网络模型，所述神经网络模型用于处理标准心电数据；
S300、将标准心电数据输入神经网络模型，得到标准心电数据的分类结果，其中：
步骤S200包括：
S201、获取MIT-BIH心律失常数据库中的心电数据集，将心电数据集分为训练集、验证集和测试集；
S202、构建神经网络模型，所述神经网络模型包括卷积模块和LSTM模块，卷积模块的输出作为LSTM模块的输入，所述卷积模块设有五段卷积，每段卷积均包括有卷积层、ReLu激活层和池化层，所述LSTM模块设有隐藏层、注意力层和加权输出层，所述神经网络模型还包括有输入层、拼接层、全连接层和输出层，所述输入层与卷积模块连接，卷积模块与LSTM模块连接，LSTM模块与拼接层连接，拼接层与全连接层连接，全连接层与和输出层连接，其中：
卷积模块，用于提取心电图数据特征，然后使用Relu激活函数激活心电图数据特征，接着采用最大池化策略池化激活后心电图数据特征，得到心电图数据特征向量，记为：
；
所述LSTM模块包括隐藏层、注意力层和加权输出层，其中：
隐藏层，用于对心电图数据特征向量进行数据处理，得到隐藏层输出，其中：
；
注意力层，基于Softmax函数对权重进行归一化，得到归一化权重，记为：
；
其中：自学习函数，/>为/>函数，/>为网络权重，/>为偏置项，/>和/>通过模型训练进行参数更新；
加权输出层，用于将隐藏层输出与归一化权重/>进行加权求和，得到向量数量为k的序列特征，记为：
；
所述拼接层用于将卷积模块的心电图数据特征向量与序列特征/>进行拼接，得到输出特征向量F，其中：
；
所述神经网络模型还包括有Dropout层，所述Dropout层设置于所述拼接层和全连接层之间；
S203、使用训练集的数据对构建的神经网络模型进行训练，即将训练集数据输入到步骤S202中的神经网络模型进行迭代；
S204、使用验证集的数据对训练好的神经网络模型进行验证；
S205、将测试集的数据输入到训练好的神经网络模型，得到识别结果；
S206、判断识别结果是否符合预期，结果不符合时，继续步骤S203；结果符合时，神经网络模型构建完成。
2.根据权利要求1所述的心率失常数据检测识别方法，其特征在于，步骤S201中，将心电数据集分为训练集、验证集和测试集的方式为：随机选取处理好的心电数据集，将心电数据集中的80%数据作为训练集，10％作为验证集，10％作为测试集。
3.根据权利要求1所述的心率失常数据检测识别方法，其特征在于，所述卷积模块的五段卷积包括：
第一段卷积：包括两个卷积层，每层64个卷积核；
第二段卷积：包括两个卷积层，每层128个卷积核；
第三段卷积：包括三个卷积层，每层256个卷积核；
第四段卷积：包括三个卷积层，每层512个卷积核；
第五段卷积：包括三个卷积层，每层512个卷积核。
4.根据权利要求3所述的心率失常数据检测识别方法，其特征在于，各段卷积中的卷积层使用的卷积核相同，尺寸为3*3，卷积步长均为1。
5.根据权利要求4所述的心率失常数据检测识别方法，其特征在于，每个卷积层后均设有ReLu激活层，ReLu激活层采用ReLu激活函数对卷积得到的特征图片进行激活，每段卷积后军设有池化层，所述池化层为最大池化层，池化层的池化核大小为2*2*64，步长为2。
6.根据权利要求1-5任一所述的心率失常数据检测识别方法的系统，其特征在于，包括：
获取模块，用于获取图像，所述图像包括心电图数据和心电数据集；
处理模块，用于构建识别模型，所述识别模型为用于识别图像的神经网络模型；还用于基于所述识别模型对图像进行识别，得到识别结果；
输出模块，用于输出识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210507105.0A CN114847905B9 (zh) | 2022-05-10 | 2022-05-10 | 一种心律失常数据检测识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210507105.0A CN114847905B9 (zh) | 2022-05-10 | 2022-05-10 | 一种心律失常数据检测识别方法及系统 |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| CN114847905A CN114847905A (zh) | 2022-08-05 |
| CN114847905B true CN114847905B (zh) | 2024-06-14 |
| CN114847905B9 CN114847905B9 (zh) | 2024-07-30 |
Family
ID=82638240
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210507105.0A Active CN114847905B9 (zh) | 2022-05-10 | 2022-05-10 | 一种心律失常数据检测识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114847905B9 (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115778400A (zh) * | 2022-11-07 | 2023-03-14 | 广东省人民医院 | 一种针对心电图的分析识别方法、系统以及存储介质 |
| CN116503673B (zh) * | 2023-06-26 | 2023-09-19 | 亿慧云智能科技（深圳）股份有限公司 | 一种基于心电图的心律失常识别检测方法及系统 |
| CN117797406A (zh) * | 2024-02-22 | 2024-04-02 | 中国人民解放军空军军医大学 | 闭环经皮穴位电刺激镇静方法及系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107822622B (zh) * | 2017-09-22 | 2022-09-09 | 成都比特律动科技有限责任公司 | 基于深度卷积神经网络的心电图诊断方法和系统 |
| KR102163217B1 (ko) * | 2018-06-14 | 2020-10-08 | 한국과학기술원 | 심층 컨볼루션 신경망을 이용한 심전도 부정맥 분류 방법 및 장치 |
| CN110717415B (zh) * | 2019-09-24 | 2020-12-04 | 上海数创医疗科技有限公司 | 基于特征选取的st段分类卷积神经网络及其使用方法 |
| CN111626114B (zh) * | 2020-04-20 | 2022-11-18 | 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 |
| GB2606700A (en) * | 2021-04-21 | 2022-11-23 | Prevayl Innovations Ltd | Method of preparing training data for use in training a health event identification machine-learning model |
| CN113768514B (zh) * | 2021-08-09 | 2024-03-22 | 西安理工大学 | 基于卷积神经网络与门控循环单元的心律失常分类方法 |
-
2022
- 2022-05-10 CN CN202210507105.0A patent/CN114847905B9/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| 代子玄 ; 赵庆彦 ; 黄从新 ; .脊髓神经在心律失常发生和发展中的作用.中国心脏起搏与心电生理杂志.(01),全文. * |
| 基于深度学习的心律失常检测算法研究;张坤;李鑫;谢学建;王倩云;;医疗卫生装备;20181215(12);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114847905B9 (zh) | 2024-07-30 |
| CN114847905A (zh) | 2022-08-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6567728B2 (ja) | 患者の生存性を予測する方法 | |
| CN114847905B (zh) | 一种心率失常数据检测识别方法及系统 | |
| CN111990989A (zh) | 一种基于生成对抗及卷积循环网络的心电信号识别方法 | |
| CN107392109A (zh) | 一种基于深度神经网络的新生儿疼痛表情识别方法 | |
| US20080103403A1 (en) | Method and System for Diagnosis of Cardiac Diseases Utilizing Neural Networks | |
| CN110619322A (zh) | 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统 | |
| CN111887858B (zh) | 基于跨模态映射的心冲击图信号心率估计方法 | |
| CN112906748A (zh) | 基于残差网络的12导联ecg心律失常检测分类模型构建方法 | |
| CN113095302A (zh) | 用于心律失常分类的深度模型、利用该模型的方法及装置 | |
| CN113080993B (zh) | 一种基于改进多基分类器集成的自动心律失常分析方法 | |
| CN111000551A (zh) | 一种基于深度卷积神经网络模型的心脏病发风险诊断方法 | |
| Wu et al. | A novel features learning method for ECG arrhythmias using deep belief networks | |
| CN114041800A (zh) | 心电信号实时分类方法、装置及可读存储介质 | |
| Subramanyan et al. | A novel deep neural network for detection of Atrial Fibrillation using ECG signals | |
| Kumari et al. | Performance evaluation of neural networks and adaptive neuro fuzzy inference system for classification of cardiac arrhythmia | |
| Alim et al. | Application of machine learning on ecg signal classification using morphological features | |
| WO2013186634A2 (en) | Predicting acute cardiopulmonary events and survivability of a patient | |
| Nugent et al. | An intelligent framework for the classification of the 12-lead ECG | |
| Zhang et al. | Multi-scale and multi-channel information fusion for exercise electrocardiogram feature extraction and classification | |
| CN112022140B (zh) | 一种心电图的诊断结论自动诊断方法及系统 | |
| Odugoudar et al. | Ecg classification system for arrhythmia detection using convolutional neural networks | |
| Rayavarapu et al. | Synthesis of ECG signals using Generative Adversarial Networks | |
| Sabbah et al. | Murine Atherosclerosis Detection Using Machine Learning Under Magnetic Resonance Imaging | |
| Vallathan et al. | Automatic Detection of Irregular Contraction and Relaxation of Cardiac Muscle using Alexnet | |
| Huang | Sensor-Based Sleep Stage 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 | ||
| CI03 | Correction of invention patent | ||
| CI03 | Correction of invention patent |
Correction item: Denomination of Invention|Abstract|Claims|Description Correct: A method and system for detecting and identifying arrhythmia data|The term 'heart rhythm' in the authorization text False: A method and system for detecting and identifying arrhythmia data|Heart rate in authorization text Number: 24-02 Page: ?? Volume: 40 Correction item: Denomination of Invention Correct: A method and system for detecting and identifying arrhythmia data False: A method and system for detecting and identifying arrhythmia data Number: 24-02 Volume: 40 |
|
| OR01 | Other related matters | ||
| OR01 | Other related matters |