CN115500841A - 一种融合时域与频域特征深度学习的室性早搏定位方法 - Google Patents

一种融合时域与频域特征深度学习的室性早搏定位方法 Download PDF

Info

Publication number
CN115500841A
CN115500841A CN202211180281.4A CN202211180281A CN115500841A CN 115500841 A CN115500841 A CN 115500841A CN 202211180281 A CN202211180281 A CN 202211180281A CN 115500841 A CN115500841 A CN 115500841A
Authority
CN
China
Prior art keywords
layer
ventricular premature
premature beat
frequency domain
time domain
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
Application number
CN202211180281.4A
Other languages
English (en)
Inventor
刘华锋
黎雅诗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202211180281.4A priority Critical patent/CN115500841A/zh
Publication of CN115500841A publication Critical patent/CN115500841A/zh
Pending legal-status Critical Current

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]
    • 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
    • A61B5/24—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
    • A61B5/366—Detecting abnormal QRS complex, e.g. widening
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • 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
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Cardiology (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Fuzzy Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种融合时域与频域特征深度学习的室性早搏定位方法，利用病人的12导联体表电位数据判断心脏室性早搏的异位起搏点位置。本发明将深度学习思想引入异位起搏点的定位中，通过学习大量临床数据的方式，让计算机模型找到心电信号与异位起搏点位置的隐藏关系，替代人工的粗略判断取得更精准的效果。本发明结合了自然语言处理领域的几类模型，创造性地融合时域和频域特征，为深度学习模型处理时序信号进行回归预测提供了一种准确性更高的方法。本发明从数据驱动角度实现了室性早搏起源点的定位预测，为临床导管消融手术提供了一种无创安全且省时省力的方法。

Description

一种融合时域与频域特征深度学习的室性早搏定位方法
技术领域
本发明属于心电信息分析技术领域，具体涉及一种融合时域与频域特征深度学习的室性早搏定位方法。
背景技术
根据世界卫生组织报道，心血管疾病是全球的头号死因，是威胁人类健康的一大杀手，而在诸多心血管疾病中，心率失常最常见的病症之一。临床上，室性早搏作为常见的一种心律失常，也越来越受到医生和人们的重视；室性早搏(简称室早)是指早于基础心律(多为窦性心律)提前出现的室性电活动，由希氏束分叉及以下异位起搏点提起啊产生，可触发严重的心室颤动和室性心动过速甚至心源性猝死。因此，即时诊断出室速起搏点，并依此对病人进行消融手术等治疗显得尤为重要。
临床上，心电图常作为诊断心脏疾病的主要根据，心电图是利用心电图机从体表记录心脏每一心动周期所产生的电活动变化图形的技术。我们可以把心脏看成一个放电组织，在心脏的兴奋过程中，心肌细胞产生动作电位进而产生电信号，心脏周围的导电组织或者体液可以将电信号传到体表，从而被体表处的外在电极接收，成为心电图。因此，心电图可以反映心脏的电生理活动，不同起源部位的室性早搏的12导联心电图有着不同的特征，故可为医生判断心室早搏位置提供指导。
虽然目前临床上根据12导联心电图对室早定位的研究已经相对成熟，但是人工判断仍然存在一定的局限性，即对室速的定位精度不高，只能对室早区域进行一个大致范围内的判断——比如左右心室流出道、二尖瓣环、三尖瓣环等，而临床消融手术需要更准确的位置信息。目前能够提供更精确的异常起搏点定位的方法，多为侵入式手段——通常需要在心脏表面放置探针来确定心脏的电位分布，但是这种方式一方面需要耗费比较大的时间和金钱，另一方面会对病人的健康造成一定的威胁。
通过调研与心内异常激动点定位相关的技术，发现现有技术大致有两类：一类是利用数据驱动实现无创异常激动点定位，例如公开号为CN107007279A的中国专利中提到的一种基于自编码器的方法，需要人工选取QRS波群，输入堆栈式自编码器中，经过训练得到预测的(x，y，z)坐标；从输入特征的完整性上看，此方法并仅仅用到心电信号的QRS波群，而P波、T波等的信息被舍弃了，但它们同样包含了异位起搏点的信息，这可能降低预测的精度；从算法的选择上，心电信号属于时序信号，信号具有长距离的依赖关系，选择自然语言处理领域的算法要相较于该专利技术更能提取到心电信号间的非区域信息。第二类是通过建立个性化的心脏-躯干模型，通过64导联的心电信号反演求解心脏表面电位图，再推理出异常激动点的位置，例如公开号为CN105796094A的中国专利公开了一种基于ECGI的室性早搏异常激动点定位方法，这类方法的缺点就是程序步骤复杂，首先临床上64导联心电图不如12导联心电图使用更频繁，其次还需要专门采集病人的心脏和躯干的三维CT图或MRI图。
发明内容
鉴于上述，本发明提供了一种融合时域与频域特征深度学习的室性早搏定位方法，能够利用12导联体表电位数据，很好地定位到室性早搏起搏点的三维坐标，并且满足临床手术要求精度。
一种融合时域与频域特征深度学习的室性早搏定位方法，包括如下步骤：
(1)采集大量不同室性早搏病人的12导联体表心电图数据，并标记每组心电图数据对应的心脏异位起搏点三维坐标；
(2)对所述12导联体表心电图数据进行预处理，得到心电信号的时域信息；
(3)对所述12导联体表心电图数据逐导联进行一维傅里叶变换，得到心电信号包含振幅和相位的频域信息；
(4)将心电信号的时域信息和频域信息组合作为一组样本，将所有样本分为训练集、验证集和测试集；
(5)构建深度学习网络模型，以训练集样本作为输入，对应的起搏点三维坐标作为标签，对整个网络模型进行训练；
(6)将测试集样本输入至训练好的网络模型中，即可预测出发生室性早搏的心脏异位起搏点位置。
进一步地，所述步骤(2)的具体实现方式为：对于任一通道的体表心电图数据，首先采用小波滤波的方式对其进行去噪处理，然后从中选取出一个心动周期且包含QRS波群的心电信号序列，最后将所有通道的心电信号序列按12个导联的位置顺序进行拼接即得到心电信号的时域信息。
进一步地，所述步骤(3)的具体实现方式为：首先对12导联体表心电图数据逐导联进行一维傅里叶变换得到各通道心电信号的频域表达，其由振幅和相位组成的复数表达式构成，然后提取其中的振幅特征和相位特征并按12个导联的位置顺序进行拼接即得到心电信号的频域信息。
进一步地，所述深度学习网络模型采用CNN-BiLSTM-SelfAttention架构，其包括三个独立的特征提取模块、一个特征融合模块以及一个人工神经网络模块，其中三个特征提取模块分别用于对心电时域信号、傅里叶变换后得到的振幅和相位信息进行特征提取，特征融合模块用于对提取得到的特征进行融合，人工神经网络模块用于将融合后的特征转化为心脏异位起搏点的三维坐标。
进一步地，所述特征提取模块从输入到输出由卷积层Conv1、最大池化层M1、卷积层Conv2、最大池化层M2、卷积层Conv3、最大池化层M3、卷积层Conv4、最大池化层M4、双向LSTM层BiLstm1、双向LSTM层BiLstm2、丢弃层D1以及自注意力机制层依次连接组成。
进一步地，所述特征融合模块从输入到输出由Concatenate层、Flatten层和丢弃层D2依次连接组成，所述人工神经网络模块由5个全连接层Dense1～Dense5依次连接组成。
进一步地，所述卷积层Conv1包含32个3×12大小的一维卷积核，步长为2；卷积层Conv2包含64个3×32大小的一维卷积核，步长为2；卷积层Conv3包含128个3×64大小的一维卷积核，步长为1；卷积层Conv4包含256个3×128大小的一维卷积核，步长为1；所述最大池化层M1～M4的池化窗口长度均为2，步长均为2；所述双向LSTM层BiLstm1中的隐藏神经元数量为40，双向LSTM层BiLstm2的中隐藏神经元数量为16，每个节点的输出值都会返回；所述丢弃层D1随机选择10％的网络权重参数重置为0。
进一步地，所述Concatenate层用于对输入的三组特征进行拼接，得到融合了时域信息和频域信息新的特征向量，所述Flatten层用于对该特征向量进行一维化操作，所述丢弃层D2随机选择35％的网络权重参数重置为0，防止因为特征量太多而造成模型过拟合；所述全连接层Dense1～Dense5的神经元数量依次为256、128、64、32、3。
进一步地，所述步骤(5)中对网络模型进行训练的过程如下：
5.1初始化模型参数，包括各层的偏置和权值、学习率、优化方法以及最大迭代次数；
5.2将训练集样本输入至模型，模型正向传播输出对应的预测结果，计算该预测结果与标签之间的损失函数；
5.3根据损失函数利用梯度下降法对模型参数不断迭代更新，直至损失函数收敛或达到最大迭代次数，训练完成。
进一步地，所述优化方法采用自适应运动估计算法Adam，所述损失函数采用均方误差。
本发明将人工智能领域自然语言处理的经典模型创造性地运用到心电图时序信号的处理上，通过傅里叶变换提取心电信号的频域信息，综合频域特征和时域特征利用多特征的融合来提高模型的判断准确度，最终实现了通过体表12导联心电图预测出心室异常激动点的三维坐标的功能。本发明从数据驱动角度入手，实现对室早病人起搏点的精确位置推断，一方面解决了目前临床上医生只能判断大致区域的不足；另一方面，与临床上的标测系统相比，本发明是非侵入性的方法，更加安全便利快捷，在临床应用上具有很大优势。
附图说明
图1为本发明室性早搏定位方法的流程示意图。
图2为本发明CNN-BiLSTM-SelfAttention网络模型结构示意图。
图3为采用本发明预测得到的异位起搏点坐标值与真实坐标值的三维展示图。
图4为采用本发明预测得到的异位起搏点坐标值与真实坐标值的误差值示意图。
具体实施方式
为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
如图1所示，本发明融合时域与频域特征深度学习的室性早搏定位方法，包括如下步骤：
(1)获取人体12导联体表电位图数据。
在临床操作使用上，病人需要贴上医学12导联电极贴片，以采集12导联的体表电位数据，进行后续的数据处理操作，即可预测得到心脏异位起搏点的三维坐标。本发明训练过程使用的是标准的人体心室有限元模型对应的12导联心电图，可以获取相对完整的心室区域点的心电图数据，使得对于整个心室区域的预测更准确，进而标记每组心电图数据对应病人的心脏异位起搏点三维坐标作为标签。
(2)对采集的12导联体表电位数据进行预处理。
临床采集到的12导联数据往往包含了噪声信息，需要对数据进行滤波，这一步可以选择小波滤波后平滑信号，也可以在公开的软件平台如ECGViewer上完成；进而由专业人士对上述信号进行QRS波群的筛选，大致选择一个心动周期内的心电信号。本实施例中心电信号采样频率为1000hz，选取信号时间长度为512ms，每个导联时序数据大小为512*1。
(3)处理后的12导联心电图进行傅里叶变换，获取频域特征。
先将预处理完成的心电信号先逐个导联进行标准化处理，再逐导联进行一维傅里叶变换，变换后频域信号的表达式由复数表达式构成，将复数表达式中的振幅和相位拆分成为两个特征，大小同样为512*1；对其中的振幅特征进行标准化处理，相位特征不进行其他处理。
(4)拼接数据，划分数据集。
将上述处理得到的特征数据，按照12导联的位置顺序(I II III aVR aVL aVF V1V2 V3 V4 V5 V6)进行拼接，每个样本共有三组特征向量：时序信号向量、频域振幅向量、频域相位向量，大小均为6144*1，最后共3485组样本，按照8：1：1的比例分成训练集、验证集、测试集输入网络模型进行训练。
(5)构建网络模型。
本发明网络模型为多输入单输出神经网络，主要由三个独立的特征提取模块、一层特征融合模块以及人工神经网络模块组成；如图2所示，特征提取网络主要由三个模块组成：一维卷积模块、双向LSTM模块和自注意力机制模块。在自然语言处理领域，这三类神经网络均取得了不错的应用，但是侧重点各有所不同，卷积神经网络是一种前馈神经网络，它的神经元可以响应一部分覆盖范围内的周围单元，是深度学习领域应用最为普遍的神经网络；相交于其他两个模块，卷积神经网络结构更为简单，但是它并没有考虑各单元前后的联系，这就使得它在提取特征时忽略了全局的信息。LSTM网络是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件，能够很好捕捉到心电信号的全局特征。自注意力机制模块的引入，能够使整个网络模型从长心电时序信号中聚焦到含有重要特征信号的时序片段上，提高整个模型的特征提取效率和准确性。本发明创造性地融合了三个模块，克服了各自类型神经的局限性，综合了其优点，提高了异位起搏点的定位精度。
一维卷积模块部分包含了四个一维卷积层Conv1～Conv4，每一个卷积层后均连接一个最大池化层，每个卷积层定义一个长度为3的滤波器，四次一维卷积，卷积核的数量依次递增为32、64、128、256个，最大池化层的池化窗口长度为2，步长为2，模块最终输出的特征信号大小为50*256。
LSTM模块是由两个双向LSTM层BiLstm1～BiLstm2组成，双向LSTM是由前向LSTM和后向LSTM组成，它能够捕捉到双向的前后时序信号的依赖关系。LSTM框架是由t时刻的输入词Xt、细胞状态Ct、临时细胞状态
Figure BDA0003864219680000061
隐层状态ht、遗忘门ft、记忆门it、输出门ot组成。LSTM的计算过程可以概括为：通过对细胞状态中信息遗忘和记忆新的信息使得对后续时刻计算有用的信息得以传递，而无用的信息被丢弃，并在每个时间步都会输出隐层状态ht，其中遗忘、记忆与输出由通过上个时刻的隐层状态ht-1和当前输入Xt计算出来的遗忘门ft、记忆门it、输出门ot来控制。双向LSTM将前输入向量和倒序后的向量分别进行上述操作后，将隐向量拼接得到新的隐向量，此向量包含了信号的新的特征信息。本实施例中BiLstm1中隐藏神经元数量为40，BiLstm2中隐藏神经元数量为16，每个节点的输出值都会返回。LSTM模块的输出通过一个丢弃层D1后进入自注意力机制模块，该丢弃层随机选择10％的网络权重参数重置为0。
自注意力机制主要通过计算时序信号相互间的影响，来解决长距离依赖问题，该模块的主要计算过程为：这一步输入特征的大小为特征长度*特征维度；首先初始化三个随机的矩阵以及偏置b1、b2，将其中两个矩阵分别与输入矩阵相乘，得到新的矩阵query、key，然后两个矩阵分别扩增一个维度，根据公式h＝tanh(query+key+b1)，计算出与输入特征各部分相似度相关的矩阵h；紧接着，将矩阵h第三个随机权重矩阵相乘，加上偏置b2，再重新组成大小为原特征长度*原特征长度的矩阵e，对矩阵e进行归一化得到自注意力矩阵a；最后将矩阵a与输入特征矩阵相乘，得到新的特征矩阵，数据维度大小为6*32。上述过程用公式表达为：
h＝tanh(input*wquery+input*wkey+b1)
e＝input*we
Figure BDA0003864219680000071
output＝a*input
特征融合模块包括一个concatenate层、一个flatten层和一个丢弃层D2；对时域和频域特征分别进行上述特征提取操作后，可以得到三个独立的特征表达，利用concatenate函数将三个特征在第二维度进行拼接，得到融合了时域信息和频域信息的新特征向量，加入flatten层对新特征向量进行一维化操作，并加入丢弃概率为0.35的丢弃层D2，防止因为特征量太多而造成模型的过拟合。
人工神经网络模块由5个全连接层Dense依次连接组成，用以定位室性早搏起源点的三维坐标，通过5层的全连接卷积运算以及非线性函数，我们可以将融合后的特征向量用来预测室性早搏异位起搏点的三维坐标。
(6)模型训练。
将三组特征样本(心电信号、振幅、相位)和标签(起搏点三维坐标)逐个输入网络模型中，得到综合了时域和频域信息的高纬特征，输出的高维特征再由全连接层进行回归预测，得到心室异常激动点的预测坐标
Figure BDA0003864219680000072
然后选择Adam优化器通过最小化真实坐标值P(x,y,z)与预测坐标值的平方差(或均方误差)来优化模型参数，计算公式如下，最终可得到预测最接近真实坐标的心室起搏点的定位模型。
Figure BDA0003864219680000081
(7)将测试集样本输入到训练好的神经网络模型中，测试网络的性能，检验模型的泛化性，预测得到的三维坐标结果将会与真实三维坐标显示在同一个坐标系中，直观观察模型的预测准确性。
(8)仿真实验结果。
我们主要进行了两个实验，第一个实验是对测试集数据进行预测对模型进行评估，第二个实验将12导联心电图数据按照医学临床心室划分区域进行划分，测试模型对于分区域起搏点预测准确度。
实验一结果如图3和图4所示，我们可以直观地看到，本发明模型对于未经过训练的数据仍能很好地预测出起搏点的三维坐标，预测的平均误差为3.44mm，满足临床上消融手术所需要的精度标准。
实验二结果如表1所示，我们将心室分为右心室流出道(RVOT)、左心室流出道(LVOT)、三尖瓣(TV)、二尖瓣(MV)、左心室(LV)、右心室(RV)、心外膜(OUT)、左室顶部(LVSUMMIT)、左右心室交汇点(CRUX)共九个区域。本发明模型对于来自该九个区域的ECG信号分别进行分析预测，表1右侧即为预测坐标值与真实坐标值的误差；可以看到，对于各个心脏区域，该模型都能有不错的预测效果，特别地对于室性早搏常发生的区域左右心室流出道，预测误差能在1mm左右，很大程度上接近临床侵入标测系统CARTO精度(0.7mm)，且远远优于医生人工判断。
表1
Figure BDA0003864219680000082
Figure BDA0003864219680000091
以上实验采用Tensorflow的Keras平台进行神经网络的搭建，算法语言为python，可以在多种程序开发环境中联合使用，采用的计算机CPU为AMD Ryzen 5 5600X 6-CoreProcessor，主机内存为32GB RAM，显卡型号为NVIDIA GeForce RTX 3070。
上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (10)

1.一种融合时域与频域特征深度学习的室性早搏定位方法，包括如下步骤：
(1)采集大量不同室性早搏病人的12导联体表心电图数据，并标记每组心电图数据对应的心脏异位起搏点三维坐标；
(2)对所述12导联体表心电图数据进行预处理，得到心电信号的时域信息；
(3)对所述12导联体表心电图数据逐导联进行一维傅里叶变换，得到心电信号包含振幅和相位的频域信息；
(4)将心电信号的时域信息和频域信息组合作为一组样本，将所有样本分为训练集、验证集和测试集；
(5)构建深度学习网络模型，以训练集样本作为输入，对应的起搏点三维坐标作为标签，对整个网络模型进行训练；
(6)将测试集样本输入至训练好的网络模型中，即可预测出发生室性早搏的心脏异位起搏点位置。
2.根据权利要求1所述的室性早搏定位方法，其特征在于：所述步骤(2)的具体实现方式为：对于任一通道的体表心电图数据，首先采用小波滤波的方式对其进行去噪处理，然后从中选取出一个心动周期且包含QRS波群的心电信号序列，最后将所有通道的心电信号序列按12个导联的位置顺序进行拼接即得到心电信号的时域信息。
3.根据权利要求1所述的室性早搏定位方法，其特征在于：所述步骤(3)的具体实现方式为：首先对12导联体表心电图数据逐导联进行一维傅里叶变换得到各通道心电信号的频域表达，其由振幅和相位组成的复数表达式构成，然后提取其中的振幅特征和相位特征并按12个导联的位置顺序进行拼接即得到心电信号的频域信息。
4.根据权利要求1所述的室性早搏定位方法，其特征在于：所述深度学习网络模型采用CNN-BiLSTM-SelfAttention架构，其包括三个独立的特征提取模块、一个特征融合模块以及一个人工神经网络模块，其中三个特征提取模块分别用于对心电时域信号、傅里叶变换后得到的振幅和相位信息进行特征提取，特征融合模块用于对提取得到的特征进行融合，人工神经网络模块用于将融合后的特征转化为心脏异位起搏点的三维坐标。
5.根据权利要求4所述的室性早搏定位方法，其特征在于：所述特征提取模块从输入到输出由卷积层Conv1、最大池化层M1、卷积层Conv2、最大池化层M2、卷积层Conv3、最大池化层M3、卷积层Conv4、最大池化层M4、双向LSTM层BiLstm1、双向LSTM层BiLstm2、丢弃层D1以及自注意力机制层依次连接组成。
6.根据权利要求4所述的室性早搏定位方法，其特征在于：所述特征融合模块从输入到输出由Concatenate层、Flatten层和丢弃层D2依次连接组成，所述人工神经网络模块由5个全连接层Dense1～Dense5依次连接组成。
7.根据权利要求5所述的室性早搏定位方法，其特征在于：所述卷积层Conv1包含32个3×12大小的一维卷积核，步长为2；卷积层Conv2包含64个3×32大小的一维卷积核，步长为2；卷积层Conv3包含128个3×64大小的一维卷积核，步长为1；卷积层Conv4包含256个3×128大小的一维卷积核，步长为1；所述最大池化层M1～M4的池化窗口长度均为2，步长均为2；所述双向LSTM层BiLstm1中的隐藏神经元数量为40，双向LSTM层BiLstm2的中隐藏神经元数量为16，每个节点的输出值都会返回；所述丢弃层D1随机选择10％的网络权重参数重置为0。
8.根据权利要求6所述的室性早搏定位方法，其特征在于：所述Concatenate层用于对输入的三组特征进行拼接，得到融合了时域信息和频域信息新的特征向量，所述Flatten层用于对该特征向量进行一维化操作，所述丢弃层D2随机选择35％的网络权重参数重置为0，防止因为特征量太多而造成模型过拟合；所述全连接层Dense1～Dense5的神经元数量依次为256、128、64、32、3。
9.根据权利要求1所述的室性早搏定位方法，其特征在于：所述步骤(5)中对网络模型进行训练的过程如下：
5.1初始化模型参数，包括各层的偏置和权值、学习率、优化方法以及最大迭代次数；
5.2将训练集样本输入至模型，模型正向传播输出对应的预测结果，计算该预测结果与标签之间的损失函数；
5.3根据损失函数利用梯度下降法对模型参数不断迭代更新，直至损失函数收敛或达到最大迭代次数，训练完成。
10.根据权利要求9所述的室性早搏定位方法，其特征在于：所述优化方法采用自适应运动估计算法Adam，所述损失函数采用均方误差。
CN202211180281.4A 2022-09-26 2022-09-26 一种融合时域与频域特征深度学习的室性早搏定位方法 Pending CN115500841A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211180281.4A CN115500841A (zh) 2022-09-26 2022-09-26 一种融合时域与频域特征深度学习的室性早搏定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211180281.4A CN115500841A (zh) 2022-09-26 2022-09-26 一种融合时域与频域特征深度学习的室性早搏定位方法

Publications (1)

Publication Number Publication Date
CN115500841A true CN115500841A (zh) 2022-12-23

Family

ID=84505561

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211180281.4A Pending CN115500841A (zh) 2022-09-26 2022-09-26 一种融合时域与频域特征深度学习的室性早搏定位方法

Country Status (1)

Country Link
CN (1) CN115500841A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116616771A (zh) * 2023-05-23 2023-08-22 成都市第四人民医院 多通道简易精神状态检测方法、装置及系统
CN117322888A (zh) * 2023-11-01 2024-01-02 广州逆熵电子科技有限公司 一种时频域融合的单导心电数据处理方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116616771A (zh) * 2023-05-23 2023-08-22 成都市第四人民医院 多通道简易精神状态检测方法、装置及系统
CN116616771B (zh) * 2023-05-23 2024-01-26 成都市第四人民医院 多通道简易精神状态检测方法、装置及系统
CN117322888A (zh) * 2023-11-01 2024-01-02 广州逆熵电子科技有限公司 一种时频域融合的单导心电数据处理方法及装置
CN117322888B (zh) * 2023-11-01 2024-04-19 广州逆熵电子科技有限公司 一种时频域融合的单导心电数据处理方法及装置

Similar Documents

Publication Publication Date Title
Liu et al. Arrhythmia classification of LSTM autoencoder based on time series anomaly detection
US20220233129A1 (en) Method for constructing intracardiac abnormal activation point location model based on cnn and lstm
US20190090774A1 (en) System and method for localization of origins of cardiac arrhythmia using electrocardiography and neural networks
CN111513709B (zh) 基于迭代收缩阈值算法的非局部神经网络心肌跨膜电位重建方法
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
CN107007279B (zh) 一种基于堆栈式自编码器的无创心内异常激动点定位方法
CN115500841A (zh) 一种融合时域与频域特征深度学习的室性早搏定位方法
CN109431492B (zh) 基于神经网络算法的心电图导联数据模拟重建方法
CN110897633A (zh) 基于深度神经网络的心电信号分割方法
Lokesh et al. CNN based deep learning methods for precise analysis of cardiac arrhythmias
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
JP2021186686A (ja) コヒーレントアルゴリズムを使用したローカルノイズ識別
CN113470812B (zh) 基于图卷积神经网络和迭代阈值收缩算法的心脏跨膜电位重建方法
CN111887858A (zh) 基于跨模态映射的心冲击图信号心率估计方法
CN110811596B (zh) 基于低秩与稀疏约束和非局部全变分的无创心脏电位重建方法
JP2023104885A (ja) グラフ畳み込みに基づく心電図心拍数マルチタイプの予測方法
KR20230133230A (ko) 심전도에 기초한 신경망 모델의 대조적인 사전 학습 방법, 프로그램 및 장치
Gyawali et al. Learning to disentangle inter-subject anatomical variations in electrocardiographic data
US20210193291A1 (en) Machine learning based reconstruction of intracardiac electrical behavior based on electrocardiograms
CN115607167A (zh) 一种轻量化的模型训练方法、房颤检测方法、装置及系统
Horvath et al. Deep learning neural nets for detecting heart activity
Yao et al. Combining rhythm information between heartbeats and BiLSTM-Treg algorithm for intelligent beat classification of arrhythmia
Bergquist et al. Body Surface Potential Mapping: Contemporary Applications and Future Perspectives. Hearts 2021, 2, 514–542
US20240047064A1 (en) Atlas-based characterization of patent-specific cardiac electromechanical activation maps
Miri et al. Applicability of body surface potential map in computerized optimization of biventricular pacing

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