CN114970637B - 一种轻量级基于深度学习的心律失常分类方法 - Google Patents
一种轻量级基于深度学习的心律失常分类方法 Download PDFInfo
- Publication number
- CN114970637B CN114970637B CN202210650732.XA CN202210650732A CN114970637B CN 114970637 B CN114970637 B CN 114970637B CN 202210650732 A CN202210650732 A CN 202210650732A CN 114970637 B CN114970637 B CN 114970637B
- Authority
- CN
- China
- Prior art keywords
- lightweight
- layer
- heart beat
- data
- 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 43
- 230000006793 arrhythmia Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000013145 classification model Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 238000011478 gradient descent method Methods 0.000 claims abstract description 9
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 238000002759 z-score normalization Methods 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 206010042602 Supraventricular extrasystoles Diseases 0.000 claims description 4
- 206010047289 Ventricular extrasystoles Diseases 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims 1
- 239000010410 layer Substances 0.000 description 70
- 238000010801 machine learning Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 208000009729 Ventricular Premature Complexes Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/14—Classification; Matching by matching peak patterns
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种轻量级基于深度学习的心律失常分类方法，包括：1)采集原始一维单导联心电信号进行心拍分割；2)对分割的心拍进行Z‑Score标准化；3)按患者间范式构建训练集和待测数据集，并平衡训练集样本；4)构建包含基于卷积神经网络的心电信号特征提取器、基于双向长短时网络的特征学习器和特征分类器的轻量级融合预分类模型；5)使用批量加权损失函数，并利用训练集和随机梯度下降法对模型进行训练。6)载入训练好的模型实现待测数据的心律失常分类。本发明提出一种批量加权损失函数和一种轻量级预分类模型结构，提高了异常心电信号分类识别处理速度，准确率高，泛化能力强，适合应用于边缘计算设备。
Description
技术领域
本发明涉及深度学习技术、心电信号分析技术领域，具体涉及一种轻量级基于深度学习的心律失常分类方法。
背景技术
心律失常具有隐蔽性、复杂性和突发性，是心血管疾病的主要诱因之一。目前，临床上的心律失常检测依赖于ECG和专业医生的辅助诊断。面对海量的心电数据，一种速度快、准确度高的ECG自动分类检测方法可以极大的减轻医生的工作负担，提高效率，具有极大的实用价值。
ECG自动分类检测方法可分为传统机器学习和深度学习两种方法。传统机器学习的方法虽然获得了很好的分类性能，但是它高度依赖于人工经验提取特征，鲁棒性不高，并且会引入大量计算，增加使用成本。深度学习是机器学习的一个亚型，它相较于传统的机器学习自动分类方法，其优势是可以更灵活的处理原始输入数据而无需人工对变量及特点进行识别整理。在现有基于深度学习的心律失常分类工作中，大多依赖于复杂的数据预处理，计算成本高、泛化能力弱，与现实中轻量级应用需求相悖，不适合应用于边缘计算设备中。
发明内容
针对现有技术存在的缺陷，提出一种轻量级基于深度学习的心律失常分类方法，以节省计算成本，提高模型的泛化能力与分类准确性。
一种轻量级基于深度学习的心律失常分类方法，其特征在于，包括以下步骤：
采集原始一维单导联心电信号进行心拍分割后对其进行Z-Score标准化；
将标准化后的心拍数据按患者间范式构建训练集、待测数据集，并对训练集样本进行特征平衡；
构建包含基于卷积神经网络的心电信号特征提取器、基于双向长短时网络的特征学习器和特征分类器的轻量级融合预分类模型并利用训练集和随机梯度下降法对模型进行训练，得到训练后的轻量级融合预分类模型；
将待测数据输入至轻量级融合预分类模型中输出心律失常分类数据。
作为优选，
采集若干包含有不同类型的心律失常的一维原始单导联心电信号；
使用pan-tompkins算法采集的原始心电信号进行QRS波群检测，定位原始信号的R波位置，并判断信号的第一个R峰和最后的一个R峰是否小于心拍截取长度，最后截取心拍，并读取R峰对应心拍标签，截取时，以每个R峰为中心向R峰左移M1，向R峰右移M2进行截取，其中，M1和M2为时间，单位是秒；
将原始信号分割心拍随机分配为心拍样本集和对应心拍标签集；
作为优选，
对已分割心拍进行Z-Score标准化，计算公式为：
其中，x为观测心拍值，μ为单个心拍总体平均值，σ为总体标准差。
作为优选，
训练集包含特定类型的心律失常标签，即正常心拍(N)、室上性异位心拍(S)、心室异位心拍(V)、融合心拍(F)和未知心拍(Q)。其待测数据集是无标签数据。训练集与待测数据集的数据来自不同患者。针对训练集使用SMOTE算法平衡样本，少数样本扩充的计算公式如下：
xnew＝xi+rand(0,1)×(xj-xi),j∈N* (6)
其中，xi表示少数样本类别中的样本点，xj表示K邻近中随机挑选的样本点，rand(0,1)表示0～1的随机数。
作为优选，
构建轻量级融合预分类模型，包括顺次连接的
基于CNN特征提取器：用于提取一维时序心电信号的内部特征。
基于BiLSTM特征学习器：用于学习CNN特征提取器提取到的心拍特征。
特征分类器：用于异常心拍特征分类。
作为优选，
构建轻量级融合预分类模型，CNN特征提取器包括6层一维卷积层堆叠，6层一维卷积层包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层。除开第一卷积层外，其余卷积层每层依次连接批归一化层，最大池化层和Dropout层。BiLSTM特征学习器包括一层BiLSTM和一层Dropout层。特征分类器包括一层数据压平层、一层全连接层和一层Softmax函数层。
CNN特征提取器参数：第一卷积层为数据输入层维度为280×1，包含16个随机滤波器，卷积核大小为8，步长为1。第二卷积层包含16个随机滤波器，卷积核大小为8，步长为1。第三卷积层包含32个随机滤波器，卷积核大小为8，步长为1。第四卷积层包含64个随机滤波器，卷积核大小为8，步长为1。第五卷积层包含128个随机滤波器，卷积核大小为4，步长为1。第六卷积层为特征输出层，包含128个随机滤波器，卷积核大小为2，步长为1。第一卷积层的激活函数为Tanh函数，其余卷积层的激活函数为ReLU函数。最大池化层的池化窗口为2。所述的Dropout层的比率为0.1。
构建轻量级融合预分类模型，BiLSTM器的参数为：一层BiLSTM的记忆单元个数为128，Dropout层的比率是0.5。
特征分类器的参数为：一层全连接层的神经元为64个。
作为优选，
模型训练过程中，特征提取器的特征送入学习器过程中选择随机梯度下降法更新权重，其中学习率固定为0.0001，每训练10轮按0.1的比例衰减，动量为0.9，批量大小为20。
作为优选，
为提高不平衡样本的分类能力，提出一种批量加权损失函数计算损失率。
随机定义心拍样本批量为i，其特征心拍数量为N，表达式如下式。
BLi＝Ci,1,Ci,2,…,Ci,N (7)
其中第i批量的第j个心拍特征标签为Ci,j，其中Ci,j∈N,S,V,F,Q。
则第i批量的第j的损失Ci,j类的损失权重如下式。
其中，表示第i批次标签得离散概率。ε0为调制参数，为了防止样本批量中只有一种心拍类型标签，权重为0，ε0设为0.01。
最后，第i批量的损失函数的计算方法，如下式。
其中λ表示正则化项，θ为模型参数。
训练分类模型，当损失率不在下降时，保存训练模型。
一种轻量级基于深度学习的心律失常分类装置，包括
第一单元：采集原始一维单导联心电信号进行心拍分割后对其进行Z-Score标准化；
第二单元：将标准化后的心拍数据按患者间范式构建训练集、待测数据集；并对训练集样本进行特征平衡；
第三单元：构建包含基于卷积神经网络的心电信号特征提取器、基于双向长短时网络的特征学习器和特征分类器的轻量级融合预分类模型，使用批量加权损失函数，并利用批量加权损失函数和随机梯度下降法对预分类模型进行训练，得到训练后的轻量级融合预分类模型；
第四单元：将待测数据输入至轻量级融合预分类模型中输出心律失常分类数据。
相对于现有技术，本发明的有益效果是：基于原始心电信号和患者间范式下，提出一种融合轻量级CNN的特征提取器和BiLSTM的特征学习器的心律失常分类模型，并针对不平衡样本提出了一种加权损失函数，提高了模型的预测速度和泛化能力，使模型整体预测精度达到了专家预测水平，同时避免了复杂的数据预处理，节省了计算成本，更适合应用于边缘计算设备中。
附图说明
图1为本发明提供的一种轻量级基于深度学习的心律失常分类方法的流程示意图。
图2为本发明提供的心拍分割流程示意图。
图3a为实例一正常心拍分割结果。
图3b为实例一心室异位心拍分割结果。
图3c为实例一室上性异位心拍分割结果。
图3d为实例一融合心拍分割结果。
图3e为实例一未知心拍分割结果。
图4为实例一分类模型结构图。
图5为实例一混淆矩阵。
图6为实例一五类心律失常分类指标的结果。
图7为实例二便携式远程监测ECG设备流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
参照图1，本发明实施例提供一种轻量级基于深度学习的心律失常分类方法，包括如下步骤：
S1采集原始一维单导联心电信号进行心拍分割；
S2对步骤S1中分割的心拍进行Z-Score标准化；
S3将步骤S2中处理过的心拍按患者间范式构建训练集和待测数据集；并对训练集样本进行特征平衡；
S4构建包含基于CNN的心电信号特征提取器、基于BiLSTM的特征学习器和特征分
类器的轻量级融合预分类模型；
S5使用批量加权损失函数，并利用训练集和随机梯度下降法对模型进行训练；
S6实现待测数据的心律失常分类；
实例一
为验证心律失常模型的有效性，本实施例以选用MIT-BIH心律失常数据库，详细介绍以上步骤。
所述的MIT-BIH心律失常数据库包括多种常见危及生命的心律失常记录，并有两位专家对心电信号进行标记和注释。数据库中包括48个不同患者的心跳数据，信号采样频率为360Hz。每条患者记录包含2条30分钟心电图导联信号，其中MLⅡ导联每个心电图节段包含15种心律失常类型，将MLⅡ导联原始数据作为模型的数据源。根据AAMI标准将MLⅡ导联中的15种心功能不全划分为5类心律失常组：正常心拍(N)、室上性异位心拍(S)、心室异位心拍(V)、融合心拍(F)和未知心拍(Q)。
根据步骤S1，参照图2，采集MIT-BIH心律失常数据库中MLⅡ导联原始心电数据并分割心拍。具体实施步骤如下：
1.1采集MIT-BIH心律失常数据库中MLⅡ导联一维原始心电数据；
1.2使用pan-tompkins算法对原始心电信号进行R峰值定位；
1.3根据定位的R波位置，判断信号的第一个R峰和最后的一个R峰是否小于心拍截取长度，最后截取心拍(向R峰左移100个采样点，向R峰右移180个采样点)并读取R峰对应的标签。
1.4将原始信号分割的异常心拍组成心拍样本集和心拍标签集。
心拍分割后的5类心律失常波形，参照图3，其各类别心拍数量参照表1。
表1 MIT-BIH心拍分割样本分布
步骤S2对分割的心拍集进行Z-Score标准化，以解决幅度缩放问题，消除偏移效应，提高后续模型的收敛速度。计算方法为：
其中，x为观测心拍值，μ为单个心拍总体平均值，σ为总体标准差。
步骤S3按患者间范式构建训练集和待测数据集，即训练集的数据和待测数据集来自不同患者。针对本实例，将MIT-BIH心律失常数据库中48个患者的记录中的22条记录作为训练数据集，另外22条数据作为待测数据集。如表2所示。
表2患者内范式数据集划分
所述步骤S3中的训练集使用SMOTE算法对样本稀少的心律失常类(S、F和Q)进行样本扩充，扩充至3000，则样本总数由100581扩充至108219，计算方法如下：
xnew＝xi+rand(0,1)×(xj-xi),j∈N* (2)
其中，xi表示少数样本类别中的样本点，xj表示K邻近中随机挑选的样本点，rand(0,1)表示0～1的随机数。
步骤S4作为本实施例的一个优选实施方式，构建融合分类模型，参照图4。所述融合分类模型包括顺次连接的基于CNN特征提取器、基于BiLSTM特征学习器和特征分类器。
所述CNN特征提取器包括6层一维卷积层(ConvD1)堆叠，6层一维卷积层包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层。除开第一卷积层外，其余卷积层每层一次连接批归一化层(BN)，最大池化层(Maxpool)和Dropout层。第一卷积层采用Tanh函数作为激活函数，其与卷积层采用ReLU函数作为激活函数。
作为本实施例的一个优选实施方式，CNN特征提取器的参数为：第一卷积层为数据输入层维度为280×1，包含16个随机滤波器，卷积核大小为8，步长为1。第二卷积层包含16个随机滤波器，卷积核大小为8，步长为1。第三卷积层包含32个随机滤波器，卷积核大小为8，步长为1。第四卷积层包含64个随机滤波器，卷积核大小为8，步长为1。第五卷积层包含128个随机滤波器，卷积核大小为4，步长为1。第六卷积层特征输出层，包含128个随机滤波器，卷积核大小为2，步长为1。最大池化层的池化窗口为2。所述的Dropout层的比率为0.1。
BiLSTM特征学习器包括一层BiLSTM和一层Dropout。作为本实施例的一个优选实施方式，所述BiLSTM器的参数为：一层BiLSTM的记忆单元个数为128，Dropout层的比率是0.5。
特征分类器包括一层数据压平层(Flatten)、一层全连接层(FC)和一层Softmax函数层，其全连接层的神经元元数目为64。
步骤S5将处理好的训练集数据，送入网络训练。特征提取器的特征送入学习器过程中选择随机梯度下降法更新权重，其中学习率固定为0.0001，每训练10轮按0.1的比例衰减，动量为0.9，批量大小为20。并使用批量加权损失函数计算损失率，计算方法如下：
其中Lossi表示第i批次的损失率，N为批次量大小，表示第i批次Ci,j类的损失权重。Ci,j表示第i批次第j个标签，其中Ci,j∈N,S,V,F,Q。表示第i批次标签得离散概率。λ表示正则化项。θ为模型参数。ε0为调制参数，其本实施例调制参数设为0.01。
当损失率不在下降时，保存训练模型。
步骤S6将待测数据送入训练模型，实现5类心律失常预测。
为了评估模型性能，本实施例采用混淆矩阵来统计类别分布，参照图5。选用准确率(Acc)、灵敏度(Sen)、正生产率(PPV)和F1 Score来定量评估模型的性能。计算方法如下：
其中TP为真正例样本数，表示实际的正样本，被分类为真样本的数量；FN为假反例样本数，表示实际的正样本，被分类为负样本的数量。类似地，FP为假正例样本数，表示实际的负样本，被分类为真样本的数量；TN为真反例样本数，表示实际的负样本，被分类为负样本的数量。准确率越高，模型性能越好。灵敏度越高，漏诊率越低。阳性预测值是真实正例样本在所有预测反例样本中所占的比例，反映了该样本属于这一类的可能性。正生产率越高，误诊率越低。F1 Score代表模型的综合性能，F1 Score的值越大，模型的综合性能越好。
实例一整体预测准确率为98.21％，达到了专家预测水平，其最重要的V类和S类的Sen分别为97.97％和86.38％，Ppv分别为94.46％和80.18％，F1 Score分别为0.96和0.83。详细指标结果参照图6。
为验证模型性能的优越性，本实例与单层CNN、BiLSTM网络进行运行性能对比，如表3所示，在相同的数据集和迭代次数的条件下，相比于单层模型可以在最短的时间完成模型的训练和预测，并且能获得良好的整体预测精度。
表3不同架构模型性能对比
实例二
实例二提供一种应用于便携式远程监测ECG设备的实例，参照图7。通过前端设备采集单导联心电信号，然后判断信号采样频率是否为预设频率，如与预设频率不一致，则重采样至预设频率；然后对待测信号进行心拍分割，将已分割心拍载入心律失常特征训练的分类模型中进行预设心律失常类别分类。最后显示预测结果并将数据上传至云端，便于专业医生的远程监控和分析。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种轻量级基于深度学习的心律失常分类方法，其特征在于，包括以下步骤：
采集原始一维单导联心电信号进行心拍分割后对其进行Z-Score标准化；
将标准化后的心拍数据按患者间范式构建训练集、待测数据集，并对训练集样本进行特征平衡；
构建包含基于卷积神经网络的心电信号特征提取器、基于双向长短时网络的特征学习器和特征分类器的轻量级融合预分类模型，使用批加权损失函数计算网络损失率，并利用训练集和随机梯度下降法对模型进行训练，最后得到训练后的轻量级融合预分类模型；
将待测数据输入至轻量级融合预分类模型中输出心律失常分类数据；
训练集包含特定类型的心律失常标签，即正常心拍N、室上性异位心拍S、心室异位心拍V、融合心拍F和未知心拍Q，其中待测数据集是无标签数据，训练集与待测数据集的数据来自不同患者，针对训练集使用SMOTE算法平衡样本，少数样本扩充的计算公式如下：
xnew＝xi+rand(0，1)×(xj-xi)，j∈N*(1)
其中，xi表示少数样本类别中的样本点，xj表示K邻近中随机挑选的样本点，rand(0，1)表示0～1的随机数；
构建轻量级融合预分类模型，包括顺次连接的
基于CNN特征提取器：用于提取一维时序心电信号的内部特征；
基于BiLSTM特征学习器：用于学习CNN特征提取器提取到的心拍特征；
特征分类器：用于异常心拍特征分类；
构建轻量级融合预分类模型，CNN特征提取器包括6层一维卷积层堆叠，6层一维卷积层包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层，除开第一卷积层外，其余卷积层每层依次连接批归一化层，最大池化层和Dropout层，BiLSTM特征学习器包括一层BiLSTM和一层Dropout层，特征分类器包括一层数据压平层、一层全连接层和一层Softmax函数层；
提出了一种批量加权损失函数计算损失率，计算方法如下：
其中Lossi表示第i批次的损失率，N为批次量大小，表示第i批次Ci，j类的损失权重，Ci，j表示第i批次第j个标签，其中Ci，j∈N，SV，F，Q，表示第i批次标签得离散概率，λ表示正则化项，θ为模型参数，ε0为调制参数。
2.根据权利要求1所述一种轻量级基于深度学习的心律失常分类方法，其特征在于：
采集若干包含有不同类型的心律失常的一维原始单导联心电信号；
使用pan-tompkins算法采集的原始心电信号进行QRS波群检测，定位原始信号的R波位置，并判断信号检测的第一个R峰和最后的一个R峰是否满足心拍截取长度，将不满足心拍截取长度的波峰丢弃，最后以每个R峰为中心截取心拍，并读取R峰对应心拍标签，截取时，以每个R峰为中心向R峰左移M1，向R峰右移M2进行截取，其中，M1和M2为时间，单位是秒；
将原始信号分割心拍随机分配为心拍样本集和对应心拍标签集。
3.根据权利要求1所述一种轻量级基于深度学习的心律失常分类方法，其特征在于：对已分割心拍进行Z-Score标准化，计算公式为：
其中，x为观测心拍值，μ为单个心拍总体平均值，σ为总体标准差。
4.根据权利要求1所述一种轻量级基于深度学习的心律失常分类方法，其特征在于：模型训练过程中，特征提取器的特征送入学习器过程中选择随机梯度下降法更新权重。
5.一种轻量级基于深度学习的心律失常分类装置，采用权利要求1至4任意一项所述方法，其特征在于：包括
第一单元：采集原始一维单导联心电信号进行心拍分割后对其进行Z-Score标准化；
第二单元：将标准化后的心拍数据按患者间范式构建训练集、待测数据集；并对训练集样本进行特征平衡；
第三单元：构建包含基于卷积神经网络的心电信号特征提取器、基于双向长短时网络的特征学习器和特征分类器的轻量级融合预分类模型，使用批量加权损失函数计算损失率，并利用训练集和随机梯度下降法对模型进行训练，最后得到训练后的轻量级融合预分类模型；
第四单元：将待测数据输入至轻量级融合预分类模型中输出心律失常分类数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210650732.XA CN114970637B (zh) | 2022-06-10 | 2022-06-10 | 一种轻量级基于深度学习的心律失常分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210650732.XA CN114970637B (zh) | 2022-06-10 | 2022-06-10 | 一种轻量级基于深度学习的心律失常分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114970637A CN114970637A (zh) | 2022-08-30 |
| CN114970637B true CN114970637B (zh) | 2024-08-06 |
Family
ID=82961878
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210650732.XA Active CN114970637B (zh) | 2022-06-10 | 2022-06-10 | 一种轻量级基于深度学习的心律失常分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114970637B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115444428A (zh) * | 2022-09-01 | 2022-12-09 | 广西师范大学 | 多导联心电图正异常分类方法、系统、介质、设备及终端 |
| 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 |
| CN115429284B (zh) * | 2022-09-16 | 2024-05-03 | 山东科技大学 | 心电信号分类方法、系统、计算机设备以及可读存储介质 |
| CN115429288B (zh) * | 2022-10-14 | 2024-09-06 | 福州大学 | 基于集成学习与二级分层网络的十二导联心拍分类方法 |
| 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 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101176098A (zh) * | 2005-04-15 | 2008-05-07 | 智能病毒成像公司 | 分析细胞结构及其组分的方法 |
| CN112906748A (zh) * | 2021-01-25 | 2021-06-04 | 浙江大学 | 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 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102433458B1 (ko) * | 2017-10-16 | 2022-08-18 | 일루미나, 인코포레이티드 | 심층 컨볼루션 신경망의 앙상블을 트레이닝하기 위한 반감독 학습 |
| KR102163217B1 (ko) * | 2018-06-14 | 2020-10-08 | 한국과학기술원 | 심층 컨볼루션 신경망을 이용한 심전도 부정맥 분류 방법 및 장치 |
-
2022
- 2022-06-10 CN CN202210650732.XA patent/CN114970637B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101176098A (zh) * | 2005-04-15 | 2008-05-07 | 智能病毒成像公司 | 分析细胞结构及其组分的方法 |
| CN112906748A (zh) * | 2021-01-25 | 2021-06-04 | 浙江大学 | 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114970637A (zh) | 2022-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114970637B (zh) | 一种轻量级基于深度学习的心律失常分类方法 | |
| CN110974214A (zh) | 一种基于深度学习的自动心电图分类方法、系统及设备 | |
| CN110638430B (zh) | 级联神经网络ecg信号心律失常分类模型的搭建方法 | |
| CN113855038B (zh) | 基于多模型集成的心电信号危急值的预测方法及装置 | |
| Zhang et al. | Semi-supervised learning for automatic atrial fibrillation detection in 24-hour Holter monitoring | |
| CN113768515A (zh) | 一种基于深度卷积神经网络的心电信号分类方法 | |
| Li et al. | DeepECG: Image-based electrocardiogram interpretation with deep convolutional neural networks | |
| CN113288157A (zh) | 基于深度可分离卷积和改进损失函数的心律失常分类方法 | |
| Jia et al. | Automatic detection and classification of 12-lead ECGs using a deep neural network | |
| CN111261283B (zh) | 基于金字塔型卷积层的心电信号深度神经网络建模方法 | |
| CN116644378A (zh) | 一种基于双层嵌套lstm的超长多维时间序列分类方法 | |
| Xu et al. | Hybrid label noise correction algorithm for medical auxiliary diagnosis | |
| CN114521900B (zh) | 一种基于迁移学习心律失常分类识别的方法 | |
| CN114767123B (zh) | 一种基于多模态神经网络的心电散点图异常识别分类方法 | |
| Amrouche et al. | DNN-SVM Automatic ECG Signals Heartbeat Classification | |
| Jenifer et al. | YOLO-ECG: multi-stage ECG arrhythmia classification using deep learning based YOLO network for portable monitoring | |
| CN111513702A (zh) | 心电数据的检测方法及存储介质 | |
| CN112365992A (zh) | 一种基于nrs-lda的医疗体检数据识别分析方法 | |
| Zhang et al. | Multi-scale and attention based ResNet for heartbeat classification | |
| Tang et al. | Electrocardiogram Classification Using Long Short-Term Memory Networks | |
| Bai et al. | A deep multi-scale convolutional neural network for classifying heartbeats | |
| CN115862843B (zh) | 心肌肌钙蛋升高类型、心血管疾病的辅助判识系统及设备 | |
| Yin et al. | Arrhythmia classification based on CNN_BILSTM | |
| CN113349790B (zh) | 基于s型重构的2d卷积神经网络的心拍分类方法及系统 | |
| Muscato et al. | A CNN for COVID-19 Detection Using ECG signals |
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 |