CN115553786B - 一种基于无监督领域自适应的心梗定位方法 - Google Patents
一种基于无监督领域自适应的心梗定位方法 Download PDFInfo
- Publication number
- CN115553786B CN115553786B CN202211210994.0A CN202211210994A CN115553786B CN 115553786 B CN115553786 B CN 115553786B CN 202211210994 A CN202211210994 A CN 202211210994A CN 115553786 B CN115553786 B CN 115553786B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- myocardial infarction
- self
- layer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 208000010125 myocardial infarction Diseases 0.000 title claims abstract description 39
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 14
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 8
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims 1
- 230000002776 aggregation Effects 0.000 claims 1
- 238000004220 aggregation Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 claims 1
- 238000012216 screening Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 6
- 238000005259 measurement Methods 0.000 abstract description 6
- 238000012360 testing method Methods 0.000 description 5
- 206010061216 Infarction Diseases 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007574 infarction Effects 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 206010028851 Necrosis Diseases 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 2
- 210000004351 coronary vessel Anatomy 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000001351 cycling effect Effects 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 231100000517 death Toxicity 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000013399 early diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 208000028867 ischemia Diseases 0.000 description 2
- 230000017074 necrotic cell death Effects 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 206010003211 Arteriosclerosis coronary artery Diseases 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 206010007625 cardiogenic shock Diseases 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 208000031225 myocardial ischemia Diseases 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- A61B5/24—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]
- A61B5/321—Accessories or supplementary instruments therefor, e.g. cord hangers
-
- 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
- A61B5/24—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
- A61B5/72—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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet 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
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Fuzzy Systems (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了基于无监督领域自适应的针对12导联心电图的心梗定位系统及方法,首先对12导联ECG信号应用小波去噪、自适应滑窗定位R峰、心拍分割等预处理,将预处理后的ECG信号作为一个整体送入DA‑MBN模型,先用基础的注意力机制(SE)模块对每个导联的信号特征进行加权,之后送入由多分支1D‑CNN搭建而成的特征提取网络提取特征,最后输入线性层和SoftMax层进行分类,其次使用领域自适应的方法利用无标签的ECG数据计算特征距离度量,将其作为正则项并入损失函数,用于微调模型,使模型能够提取更多的域不变特征。本发明通过多个不同尺度的分支进行特征提取,结合自注意力模块以及通道注意力机制对不同尺度不同导联的特征加权处理,最后用无监督领域自适应方法微调模型,为解决患者间情况下的心梗定位提供了一种有效的技术手段。
Description
技术领域
本发明涉及心电图的自动诊断技术领域,具体涉及一种基于无监督领域自适应的心梗定位方法。
背景技术
心血管疾病一直以来居死亡率居首位,占疾病死亡人数的40%。而心血管疾病中最常见也是影响最为严重的疾病就是心肌梗死(Myocardial Infarction,MI)。心肌梗死是由冠状动脉粥样硬化引起管腔狭窄、斑块脱落、血栓形成而导致某一支冠状动脉发生严重而持久痉挛性闭塞,从而引起心肌细胞急性缺血、损伤直至坏死的急性缺血性心脏病。该病发病急促、病情凶险、极易诱发恶性心律失常、心源性休克、等危及生命的并发症,尽早确诊对于心肌梗死的治疗及预后至关重要。如果能及时精确地对心梗部位定位,采取相应地的治疗措施,可以有效地减少并发症,大大降低患者的死亡率。
心电图(Electrocardiogram,ECG)检查是诊断心肌梗死最有效的手段对早期诊断心肌梗死具有重要的临床意义。它通常由12个导联组成,包括3个标准肢体导联(I、II、III),3个加宽肢体导联(AVR、AVL、AVF)和6个胸前导联(V1~V6)。心肌梗死可表现为心电信号中的异常波形,通常根据梗死部位与冠状动脉分支的损伤程度和位置的不同,会产生比较直观的变化,如缺血型T波倒置、损伤型ST段抬高、坏死型Q波等特征性的波形变化。特别是不同的梗死位置的特征,往往可以从特定的导联中更加直观地分析出。根据患者的心电图各个导联演变情况往往可以快速有效的诊断心肌梗死,判断梗死部位,还对于心肌梗死患者的病情救治及预后评估,具有重要临床指导价值。
临床中,心肌梗死诊断主要依据医生对患者产生的心电图进行的主观判断,随着计算机技术的飞速发展,尤其是近几年大数据以及人工智能技术的迅猛发展,诞生了一系列心梗检测的算法。传统方法一般使用机器学习的方法来诊断心肌梗死,它往往需要复杂的特征选择与提取以及分类器的确定,为了克服这一局限性,深度学习模型被引入到基于心电的心肌梗死诊断中,它可以从数据中学习关键特征,而不需要过多的人工干预。在实际应用中因患者间的差异,以及同一患者不同时段的ECG信号也存在着差异.从而使常规训练模型的心梗分类定位性能大幅下滑。
发明内容
1、本发明的目的
本发明的目的在于针对患者间的差异致使常规训练模型的心梗分类定位性能大幅下滑问题,提出一种基于无监督领域自适应的心梗定位方法,该方法利用无监督的ECG数据,就能有效地提升患者间模型的心梗分类性能。
2、为了实现上述目的,本发明通过以下技术方案实现:
本发明提供的一种基于无监督领域自适应的心梗定位方法,具体步骤包括:
步骤一:将12导联ECG数据进行数据清洗、去除基线漂移和噪声以及心拍分割等数据预处理操作;
步骤二:DA-MBN模型的设计,包括用于提取心梗特征的特征提取器和根据提取到的特征进行分类的分类器,以及网络的训练;
步骤三:无监督领域自适应微调网络方法,包括对无标签的数据的伪标签标定和对使用有监督数据训练出的模型进行自适应微调。
进一步地,所述步骤一具体实现方法为:
S1、数据集为通过心电采集设备采集的12导联ECG数据,采样频率为1000HZ,之后对其进行预处理,选取心梗五个亚类:前壁MI(AMI)、前间隔MI(ASMI)、前外侧MI(ALMI)、下壁MI(IMI)、下外侧MI(ILMI)和健康的心拍数据进行训练,用DB6小波去除数据本身自带的基线漂移和高频噪声,具体而言是选用DB6小波进行9尺度分解,将代表基线漂移的0Hz到1.95Hz的小波系数和代表高频噪声的125Hz到500Hz的小波系数乘零,之后再对处理后的小波系数应用多分辨率重构算法,进行逐级重构得到去噪信号,再用自适应滑动窗口的方法对信号中的R峰进行定位,并且取R峰前250个点和R峰后400个点,包括R峰在内一共651个点作为一个心拍,并之后重采样到256个采样点并进行归一化操作之后送入DA-MBN网络模型。并使用患者间的方法来划分训练集和测试集;
进一步地,所述步骤二具体实现方法为:
S21、将步骤S1中处理好的数据集送入DA-MBN模型中的特征提取器,通过空间金字塔空洞卷积层、拼接层、残差块和注意力层进行特征提取,首先通过用空间金字塔空洞卷积层,经过其中6个并行的核大小为1×3的膨胀率为1到6,步长为1卷积层提取多个尺度的多导联特征,后通过BN层进行标准化,再通过RELU激活函数层,最终经过注意力层对提取出的不同尺度特征进行加权重新分配;
S22、将通过S21中空间金字塔空洞卷积层所得到的特征,送入残差块,每个残差块由两个1×3的卷积层构成,步长分别是1和2,之后将融合的特征通过dropout层操作按照一定0.5概率随机“丢弃”隐层神经元,以减轻模型训练过程中过拟合现象。
S23、之后将S21和S22再循环两次后,输入由全局最大池化层、全连接层、Softmax函数层构成的分类器,得到心梗类别的预测,再与标签对比计算加权交叉熵损失函数,应用Adam优化器进行反向传播和梯度更新。损失函数如公式(1)所示:
这里wi表示每个类别对应的权重,用于平衡样本不均衡问题,N是类别,F(·)指特征提取器,H(·)为类判别器。x为输入数据,y为对应的标签。
进一步地,所属步骤三具体实现方法为:
S31、用步骤二训练好的DA-MBN模型对应用步骤S1处理后的无监督的12导联ECG数据进行伪标签的标定。
S32、用蒙卡罗特-Dropout的方法计算每个样本的不确定度结合模型预测置信度对伪标签进行筛选;其中蒙卡罗特-Dropout的实现步骤是在标签预测时启用Dropout层对其进行预测,反复循环10次,之后计算Dropout层预测结果的标准差作为标签的不确定度。根据不同类别在总样本数中的比重设定不确定度阈值和置信度阈值,之后选用不确定度低于阈值且置信度高于阈值的伪标签数据。
S33、基于同一类别的样本应该在同一簇中,而不同类别的样本应该相距较远的簇假设来设计损失函数的正则项;将每个类别的有标签数据和伪标签数据经过DA-MBN模型特征提取器所提取的特征分别进行平均,之后用L2范数对不同中心进行度量的计算,拉近相同类别的特征中心,远离不同类别的特征中心。其计算公式为(2)和(3),LA和LB分别代表用于拉近源域和目标域相同类别的类间间距,以及保持不同类别距离的损失:
式中D(·)代表某种距离度量,F(·)指特征提取器,k指类别数。nk为类别为k的样本个数,和/>分别代表源域和目标域中类别为k的单一样本,源域为有标签数据,目标域是打了伪标签的无监督数据,Tm表示使不同类别的特征中心彼此远离以达到预定义的阈值。
最终应用公式(4)的损失函数以及Adam优化器来微调网络,其中α1和α2皆取0.1。
L=LCLS+α1LA+α2LB (4)
S34、经多次循环微调后,用所有无监督数据进行测试。
3、本发明的有益效果为:
1)本发明提出了一种新的特征提取技术,即DA-MBN模型,用于提取深度特征,进而进行心梗定位和微调的相关距离度量的计算。
2)本发明提出了一种新的自适应方法,即应用蒙卡罗特-Dropout和置信度方法筛选伪标签之后计算相关距离度量,从而降低患者间差异的影响,提高模型心梗分类的准确率。
附图说明
图1时本发明的模型框架图;
图2是本发明的DA-MBN网络结构图;
图3是本发明的DA-MBN网络中的空间金字塔特征提取模块的结构图;
具体实施方式
下面结合附图和具体实施方式对本发明作进一步的详细说明。
本发明提供的一种基于无监督领域自适应的心梗定位方法,具体步骤包括:
步骤一:将12导联ECG数据进行数据清洗、去除基线漂移和噪声以及心拍分割等数据预处理操作;
步骤二:DA-MBN模型的设计,包括用于提取心梗特征的特征提取器和根据提取到的特征进行分类的分类器,以及网络的训练;
步骤三:无监督领域自适应微调网络方法,包括对无标签的数据的伪标签标定和对使用有监督数据训练出的模型进行自适应微调。
进一步地,所述步骤一具体实现方法为:
S1、数据集为通过心电采集设备采集的12导联ECG数据,采样频率为1000HZ,之后对其进行预处理,选取心梗五个亚类:前壁MI(AMI)、前间隔MI(ASMI)、前外侧MI(ALMI)、下壁MI(IMI)、下外侧MI(ILMI)和健康的心拍数据进行训练,用DB6小波去除数据本身自带的基线漂移和高频噪声,具体而言是选用DB6小波进行9尺度分解,具体而言是选用DB6小波进行9尺度分解,将代表基线漂移的0Hz到1.95Hz的小波系数和代表高频噪声的125Hz到500Hz的小波系数乘零,之后再对处理后的小波系数应用多分辨率重构算法,进行逐级重构得到去噪信号,再用自适应滑动窗口的方法对信号中的R峰进行定位,并且取R峰前250个点和R峰后400个点,包括R峰在内一共651个点作为一个心拍,并之后重采样到256个采样点并进行归一化操作之后送入DA-MBN网络模型。并使用患者间的方法来划分训练集和测试集;
进一步地,所述步骤二具体实现方法为:
S21、如图2所示,将步骤S1中处理好的数据集送入DA-MBN模型中的特征提取器,通过空间金字塔空洞卷积层、拼接层、残差块和注意力层进行特征提取,首先通过用空间金字塔空洞卷积层,经过其中6个并行的核大小为1×3的膨胀率为1到6,步长为1卷积层提取多个尺度的多导联特征,后通过BN层进行标准化,再通过RELU激活函数层,最终经过注意力层对提取出的不同尺度特征进行加权重新分配;
S22、将通过S21中空间金字塔空洞卷积层所得到的特征,送入残差块,每个残差块由两个1×3的卷积层构成,步长分别是1和2,之后将融合的特征通过dropout层操作按照一定0.5概率随机“丢弃”隐层神经元,以减轻模型训练过程中过拟合现象。
S23、之后将S21和S22再循环两次后,输入由全局最大池化层、全连接层、Softmax函数层构成的分类器,得到心梗类别的预测,再与标签对比计算加权交叉熵损失函数,应用Adam优化器进行反向传播和梯度更新。损失函数如公式(1)所示:
这里wi表示每个类别对应的权重,用于平衡样本不均衡问题,N是类别,F(·)指特征提取器,H(·)为类判别器。x为输入数据,y为对应的标签。
进一步地,所属步骤三具体实现方法为:
S31、用步骤二训练好的DA-MBN模型对应用步骤S1处理后的无监督的12导联ECG数据进行伪标签的标定。
S32、用蒙卡罗特-Dropout的方法计算每个样本的不确定度结合模型预测置信度对伪标签进行筛选;其中蒙卡罗特-Dropout的实现步骤是在标签预测时启用Dropout层对其进行预测,反复循环10次,之后计算Dropout层预测结果的标准差作为标签的不确定度。根据不同类别在总样本数中的比重设定不确定度阈值和置信度阈值,之后选用不确定度低于阈值且置信度高于阈值的伪标签数据。
S33、基于同一类别的样本应该在同一簇中,而不同类别的样本应该相距较远的簇假设来设计损失函数的正则项;将每个类别的有标签数据和伪标签数据经过DA-MBN模型特征提取器所提取的特征分别进行平均,之后用L2范数对不同中心进行度量的计算,拉近相同类别的特征中心,远离不同类别的特征中心。其计算公式为(2)和(3),LA和LB分别代表用于拉近源域和目标域相同类别的类间间距,以及保持不同类别距离的损失:
式中D(x)代表某种距离度量,F()指特征提取器,k指类别数。nk为类别为k的样本个数,和/>分别代表源域和目标域中类别为k的单一样本,源域为有标签数据,目标域是打了伪标签的无监督数据,Tm表示使不同类别的特征中心彼此远离以达到预定义的阈值。
最终应用公式(4)的损失函数以及Adam优化器来微调网络,其中α1和α2皆取0.1:
L=LCLS+α1LA+α2LB (4)
S34、经多次循环微调后,用所有无监督数据进行测试。
实验设置及结果分析:
(1)数据集描述;
实验使用PTB-XL数据集,从数据集中选取了69368个12导联的单心拍数据,按照患者间的方式进行划分,其中80%的患者作为训练集,20%的患者作为测试集;
(2)实验设置和性能评估;
实验使用Python语言在pycharm上用深度学习框架pytorch实现心梗定位模型的搭建与训练,所有实验研究均在具有AMD Ryzen 7 5800H CPU处理器、Windows11操作系统、16GB内存和NVIDIA GeForce 3060显卡的计算机上进行。特征提取器和分类器的模型初始化为均值为方差为0.02的标准正态分布。优化器使用Adam优化器,初始学习率为0.005,衰减率为0.999,每迭代2000批次进行一次衰减;批量大小为256,LA和LB损失函数的权重皆为0.1,采用提前停止的训练方式,防止模型过拟合。
为了验证本发明方法对心梗定位的效果,在相同的实验条件下对比了未用自适应方法以及目前比较先进的基于遗传算法的多导联网络(Evolving Multi-BranchNetworks,EvoMBN)算法进行比对。本发明使用准确性(ACC)、灵敏度(SEN)、阳性预测值(PPV)和F1值评分来衡量心梗定位的性能。
(3)实验结果分析;
从表1展示了本发明方法和目前比较先进的EvoMBN算法的比对,可以看出本文提出的方法具有相当的准确率,表明本发明方法的有效性。
表1本文方法与目前其他方法比较
以上实施方式只是对本发明的示例性说明,并不限于它的保护范围,任何本领域的相关技术人员针对本发明所作的修改和替换,都应包含在本发明的保护范围之内。
Claims (3)
1.一种基于无监督领域自适应的心梗定位方法,其特征在于该方法包括以下步骤:
步骤一:将12导联ECG数据进行数据清洗、去除基线漂移和噪声以及心拍分割等数据预处理操作;
步骤二:DA-MBN模型的设计,包括用于提取心梗特征的特征提取器和根据提取到的特征进行分类的分类器,以及网络的训练,具体步骤包括如下过程:
首先搭建DA-MBN模型中的特征提取器,包含空间金字塔空洞卷积层、拼接层、残差块和注意力层,应用精简的多分支网络处理12导联ECG数据;用多个尺度的一维卷积网络提取多尺度特征,后通过注意力机制对提取出的不同尺度特征进行加权重新分配;
DA-MBN模型中所包含的空间金字塔空洞卷积层,由6个并行的分支网络组成,每个分支由不同尺度的3×1的一维卷积块和通道注意力机制模块组成,使用一维卷积是保证每个导联的特征只与当前导联相关;所述分支网络使用膨胀率为1到6的空洞卷积进行特征提取;所述一维卷积块使用RELU激活函数;经过聚合操作之后通过注意力模块对每个导联进行重新加权;同时使用dropout层,按照一定概率随机舍弃神经元,以减轻模型的过拟合;
之后搭建分类器,所述分类器由全局最大池化层、全连接层、Softmax函数层构成,使用特征提取器所提取到的特征进行分类,得到心梗类别的预测;
DA-MBN模型训练使用加权交叉熵损失函数,应用自适应估计矩(Adaptive momentestimation,简称Adam)优化器进行反向传播和梯度更新,损失函数如公式(1)所示:
这里wi表示每个类别对应的权重,用于平衡样本不均衡问题,N是类别,F(·)指特征提取器,H(·)为类判别器,x为输入数据,y为对应的标签;
步骤三:无监督领域自适应微调网络方法,包括对无标签的数据的伪标签标定和对使用有监督数据训练出的模型进行自适应微调,具体步骤包括如下过程:
用步骤二训练好的DA-MBN模型对无监督的12导联ECG数据进行伪标签的标定;用蒙卡罗特-Dropout的方法计算每个样本的不确定度,结合模型预测置信度对伪标签进行筛选;其中蒙卡罗特-Dropout的实现步骤是在标签预测时启用Dropout层对其进行预测,反复循环10次,之后计算Dropout层预测结果的标准差作为标签的不确定度;根据不同类别在总样本数中的比重设定不确定度阈值和置信度阈值,之后选用不确定度低于阈值且置信度高于阈值的伪标签数据,用伪标签数据和训练用的有标签数据计算损失函数中正则项中所用的样本分布数据;其计算公式为(2)和(3),LA和LB分别代表用于源域和目标域相同类别的类间间距和不同类别的类间距离的正则项:
式中D(x)代表某种距离度量,F(x)指特征提取器,k指类别数,nk为类别为k的样本个数,和/>分别代表源域和目标域中类别为k的单一样本,源域为有标签数据,目标域是打了伪标签的无监督数据,Tm表示使不同类别的特征中心彼此远离以达到预定义的阈值;
最终应用公式(4)的损失函数以及Adam优化器来微调网络,其中α1和α2皆取0.1
L=LCLS+α1LA+α2LB (4)。
2.根据权利要求1所述的一种基于无监督领域自适应的心梗定位方法,其特征在于:所述的步骤一包括如下过程:
数据集为通过心电采集设备采集的12导联ECG数据,采样频率为1000HZ,之后对其进行预处理,选取心梗五个亚类:前壁MI(AMI)、前间隔MI(ASMI)、前外侧MI(ALMI)、下壁MI(IMI)、下外侧MI(ILMI)和健康的心拍数据进行训练,用DB6小波去除数据本身自带的基线漂移和高频噪声,具体而言是选用DB6小波进行9尺度分解,将代表基线漂移的0Hz到1.95Hz的小波系数和代表高频噪声的125Hz到500Hz的小波系数乘零,之后再对处理后的小波系数应用多分辨率重构算法,进行逐级重构得到去噪信号,再用自适应滑动窗口的方法对信号中的R峰进行定位,并且取R峰前250个点和R峰后400个点,包括R峰在内一共651个点作为一个心拍,并之后重采样到256个采样点并进行归一化操作之后送入DA-MBN网络模型。
3.根据权利要求1所述的一种基于无监督领域自适应的心梗定位方法,其特征在于:DA-MBN模型采用的Adam优化器参数设置为:初始学习率:0.005,每代衰减率为0.999,动量为0.5;批次大小为256。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211210994.0A CN115553786B (zh) | 2022-09-30 | 2022-09-30 | 一种基于无监督领域自适应的心梗定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211210994.0A CN115553786B (zh) | 2022-09-30 | 2022-09-30 | 一种基于无监督领域自适应的心梗定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115553786A CN115553786A (zh) | 2023-01-03 |
CN115553786B true CN115553786B (zh) | 2024-05-28 |
Family
ID=84743268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211210994.0A Active CN115553786B (zh) | 2022-09-30 | 2022-09-30 | 一种基于无监督领域自适应的心梗定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115553786B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108986124A (zh) * | 2018-06-20 | 2018-12-11 | 天津大学 | 结合多尺度特征卷积神经网络视网膜血管图像分割方法 |
CN109783645A (zh) * | 2019-01-23 | 2019-05-21 | 福州大学 | 一种基于变分自编码的文本分类方法 |
CN111460953A (zh) * | 2020-03-26 | 2020-07-28 | 山东省人工智能研究院 | 一种基于对抗域自适应学习的心电信号分类方法 |
CN114847959A (zh) * | 2022-03-23 | 2022-08-05 | 武汉大学 | 一种远程心脏介入手术中的心梗定位系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11461998B2 (en) * | 2019-09-25 | 2022-10-04 | Samsung Electronics Co., Ltd. | System and method for boundary aware semantic segmentation |
-
2022
- 2022-09-30 CN CN202211210994.0A patent/CN115553786B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108986124A (zh) * | 2018-06-20 | 2018-12-11 | 天津大学 | 结合多尺度特征卷积神经网络视网膜血管图像分割方法 |
CN109783645A (zh) * | 2019-01-23 | 2019-05-21 | 福州大学 | 一种基于变分自编码的文本分类方法 |
CN111460953A (zh) * | 2020-03-26 | 2020-07-28 | 山东省人工智能研究院 | 一种基于对抗域自适应学习的心电信号分类方法 |
CN114847959A (zh) * | 2022-03-23 | 2022-08-05 | 武汉大学 | 一种远程心脏介入手术中的心梗定位系统及方法 |
Non-Patent Citations (1)
Title |
---|
"Attention-based 3D CNN with residual connections for efficient ECG-based COVID-19 detection";Nebras Sobahia;《Computers in Biology and Medicine》;20220220;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115553786A (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sangaiah et al. | An intelligent learning approach for improving ECG signal classification and arrhythmia analysis | |
Baloglu et al. | Classification of myocardial infarction with multi-lead ECG signals and deep CNN | |
CN107822622B (zh) | 基于深度卷积神经网络的心电图诊断方法和系统 | |
Venkatesan et al. | Mobile cloud computing for ECG telemonitoring and real-time coronary heart disease risk detection | |
Mousavi et al. | ECGNET: Learning where to attend for detection of atrial fibrillation with deep visual attention | |
Li et al. | SLC-GAN: An automated myocardial infarction detection model based on generative adversarial networks and convolutional neural networks with single-lead electrocardiogram synthesis | |
Gupta et al. | Neural network classification of homomorphic segmented heart sounds | |
US9161705B2 (en) | Method and device for early detection of heart attack | |
CN109700450B (zh) | 一种心率检测方法及电子设备 | |
Luo et al. | Multi-classification of arrhythmias using a HCRNet on imbalanced ECG datasets | |
Jung et al. | An arrhythmia classification method in utilizing the weighted KNN and the fitness rule | |
Zhang et al. | Deep time–frequency representation and progressive decision fusion for ECG classification | |
CN113995419B (zh) | 一种基于心跳节律信号的房颤发生风险预测系统及其应用 | |
US8750973B2 (en) | Method and system for detecting P-waves in the surface ECG signal | |
Dhyani et al. | Analysis of ECG-based arrhythmia detection system using machine learning | |
Banerjee et al. | A hybrid CNN-LSTM architecture for detection of coronary artery disease from ECG | |
Prakash et al. | A system for automatic cardiac arrhythmia recognition using electrocardiogram signal | |
Philip et al. | Identifying arrhythmias based on ecg classification using enhanced-PCA and enhanced-SVM methods | |
Liu et al. | Precise and efficient heartbeat classification using a novel lightweight-modified method | |
Magesh et al. | Ensemble feature extraction-based prediction of fetal arrhythmia using cardiotocographic signals | |
CN115553786B (zh) | 一种基于无监督领域自适应的心梗定位方法 | |
Le et al. | Feature extraction techniques for automatic detection of some specific cardiovascular diseases using ECG: a review and evaluation study | |
Horoba et al. | Recognition of atrial fibrilation episodes in heart rate variability signals using a machine learning approach | |
Katebi et al. | Unsupervised hidden semi-Markov model for automatic beat onset detection in 1D Doppler ultrasound | |
CN113066544B (zh) | 基于CAA-Net与LightGBM的FVEP特征点检测方法 |
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 |