CN115736944A - 一种基于短时单导联心电信号的房颤检测模型mcnn-blstm - Google Patents

一种基于短时单导联心电信号的房颤检测模型mcnn-blstm Download PDF

Info

Publication number
CN115736944A
CN115736944A CN202211198567.5A CN202211198567A CN115736944A CN 115736944 A CN115736944 A CN 115736944A CN 202211198567 A CN202211198567 A CN 202211198567A CN 115736944 A CN115736944 A CN 115736944A
Authority
CN
China
Prior art keywords
model
mcnn
blstm
atrial fibrillation
short
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
CN202211198567.5A
Other languages
English (en)
Inventor
张宏坡
谷红壮
陈冠赫
刘明喆
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.)
Zhengzhou University
Original Assignee
Zhengzhou University
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 Zhengzhou University filed Critical Zhengzhou University
Priority to CN202211198567.5A priority Critical patent/CN115736944A/zh
Publication of CN115736944A publication Critical patent/CN115736944A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提供了一种基于短时单导联心电信号的房颤检测模型MCNN‑BLSTM。本发明技术方案首先使用预处理模块对数据进行预处理，然后采用设计的MCNN模块根据变长心电信号的切片数量，动态设定相对应的分支数，更充分的提取短时心电信号中的特征信息，接着使用BLSTM模块进一步对每个分支学习到的特征信息进行加强，提高模型的分类性能，最后使用分类模块对心电信号进行分类。本发明提出了一种融合多支路卷积神经网络(MCNN)和双向长短时记忆网络(BLSTM)的模型，即MCNN‑BLSTM，用以处理短时单导联心电记录中房颤检测存在的可靠性和准确性问题。与当前最先进的方法进行比较，能够取得更具竞争性的结果。本发明可用于短时单导联心电记录的房颤检测，能够满足短时心电可穿戴设备的日常房颤检测需求。

Description

一种基于短时单导联心电信号的房颤检测模型MCNN-BLSTM
技术领域
本发明属于心电监测技术领域，具体涉及一种基于短时单导联心电信号的房颤检测模型MCNN-BLSTM。
背景技术
心房颤动(AF)是一种常见的室上性心律失常。据2020年数据统计，成年人中房颤患者大概在2％到4％之间，数量并在不断增加。心房颤动虽然不会直接导致死亡，但对人们的健康有着巨大的影响。这种心律失常会导致高发病率和死亡率，从而引起卫生资源的大量投入，这将对社会造成巨大的经济负担。房颤的表现通常是无症状的，可能直到血栓栓塞事件发生时才被发现。房颤的患病率会随着年龄的增长而增加。动态心电图是检测房颤最重要的工具之一，动态心电图可由动态心电监护仪采集。但是，如果戴着心电监护仪，不但不方便，而且在日常生活中也会受到很多干扰。近年来，可穿戴设备对AF的检测越来越受欢迎。因此，基于不同的测量技术，利用动态心电图记录来检测房颤具有重要的意义。
近年来，深度学习(Deep Learning,DL)由于具有特征学习和分类的能力，因此各种深度学习的方法被广泛应用于房颤检测，其中主要包括卷积神经网络(convolutionalneural networks，CNN)和递归神经网络(recurrent neural networks，RNN)等端到端的深度学习方法。现如今，深度学习网络的输出已经可以与人类专家相媲美，在某些情况下甚至超过人类专家。虽然DL在房颤的检测中取得了较好的效果，但仍未解决实时房颤检测的关键问题。由于大多数AF检测方法都是基于静态心电信号，动态心电信号的适用性受到限制。特别是，在有限的短时心电记录中，可靠和准确的房颤检测仍然是一个挑战。
发明内容
本发明针对现有技术的不足，提供一种基于短时单导联心电信号的房颤检测模型MCNN-BLSTM。具体方案如下：
步骤1：模型获取短时单导联心电信号后，对信号进行预处理，获取切片后的多个相同长度的不同心电片段输出；
步骤2：MCNN模块根据切片的数量，设置不同的支路对切片进行特征学习；
步骤3：BLSTM模块进一步对各个支路提取到的特征进行加强，提高模型的分类能力；
步骤4：分类模块根据最终提取到的特征对心电信号进行分类，这里分类为正常、房颤和其他三种类别。
附图说明
图1为本发明一种基于短时单导联心电信号的房颤检测模型MCNN-BLSTM的整体架构。
图2为六种输入长度下三种模型的PR曲线图。
图3为MCNN-BLSTM不同支路以及模型最后提取到的特征可视化结果。
具体实施方式
下面通过具体实施方式，对本发明的技术方案做进一步的详细描述。
如图1所示，一种基于短时单导联心电信号的房颤检测模型MCNN-BLSTM，该模型包括：
模型获取短时单导联心电信号后，对信号进行预处理，获取切片后的多个相同长度的不同心电片段输出；
MCNN模块根据切片的数量，设置不同的支路对切片进行特征学习；
BLSTM模块进一步对各个支路提取到的特征进行加强，提高模型的分类能力；
分类模块根据最终提取到的特征对心电信号进行分类，这里分类为正常、房颤和其他三种类别。
给定一个短时单导联心电信号，所述原始信号预处理过程通过下面步骤完成：
心电信号利用Daubechies 6(db6)小波变换对原始心电信号进行九级小波分解，消除D1、D2和A9分量，然后重构剩下的分量，得到滤波后的信号。
重构后的心电信号降采样至120Hz。降采样是降低心电记录采样率的过程，它有助于降低模型的复杂性，缩短模型的训练时间。
降采样后的心电信号根据切片数量n，切片长度l以及信号长度L计算重叠量ol，其中ol计算公式如下所示：
Figure BDA0003871376580000031
将切片后的心电信号使用Z-score标准化技术，使心电信号的幅度服从数据均匀分布。Z-score的定义如下：
Figure BDA0003871376580000032
其中E(x)为样本数据的均值，Var(x)是样本数据的方差。
所述MCNN模块和BLSTM通过下面步骤完成：
通过预处理步骤获取D＝{(x1,y1),(x2,y2),…,(xm,ym)}作为训练集，其中m表示心电信号的个数，xi表示第i条心电信号，yi∈{0,1,2}表示第i条心电信号的类别，0代表正常节律，1代表房颤节律，2代表其他节律。
对于一条心电信号xi，将其输入到模型MCNN-BLSTM中获得输出zi，公式如下所示：
zi＝g(xi,θ) (3)
其中θ表示模型中的相关参数。
所述分类模块通过下面步骤完成：
经过模型计算后获取每一类的特征向量zi，将zi输入到线性层，获取与类别数量相同的输出，并加入softmax函数输出心电信号为正常节律、AF节律或其他节律的概率，对应的softmax函数计算如下：
Figure BDA0003871376580000033
其中c＝3表示心电信号的类别数，
Figure BDA0003871376580000034
为输入向量zi的类别概率。
本发明提出的MCNN-BLSTM模型主要包括四个模块：预处理模块，MCNN模块，BLSTM模块，分类模块。预处理模块包括数据集的降噪，降采样，切片和标准化。MCNN模块包括多个卷积分支，每个卷积分支包含12个卷积层和4个池化层。12个卷积层分为4个组，每个组的卷积层分别为4、3、3和2。第一组过滤器的数量为8、16、32和32。第二组有64个过滤器。第三组有128个过滤器。最后一组卷积层有256个滤波器。每个卷积层后包含一个BN层。BLSTM模块将每个分支学习到的特征进行进一步的加强。分类模块使用Softmax函数计算每个切片属于正常、房颤和其他类别的概率。在训练过程中，模型设置batch size为32，冲量系数为0.7，初始学习率为0.1，每10次迭代，学习率会进行衰减，最大迭代次数为100，设置优化器为SGD，在每一次循环迭代中更新模型参数。设置Dropout层和L2正则化项降低过拟合，Dropout的P值为0.4。
验证实验
实验使用的数据集是PhysioNet/CinC Challenge 2017(CinC2017)数据集。CinC2017数据集的心电图记录是使用AliveCor设备收集的。正式发布的训练集包含8528份单导联心电信号。这些录音有不同的长度，最短的是9秒，最长的是61秒。采样率为300Hz。该数据集共包含四种节律类型，即正常节律(N)、房颤节律(A)、其他节律(O)和噪声。本发明将数据集分为三类：正常，房颤和其他类别。
本发明方法的目的是在有限的短时心电记录中，可靠和准确的进行房颤检测。为了解决以上问题，提高短时心电信号的房颤检测能力，本发明提出一种新的短时心电信号房颤检测模型，即MCNN-BLSTM。模型主要由MCNN模块和BLSTM模块组成。首先MCNN模块可以根据重叠分割方案获得的片段数设定相应的分支数进行特征提取，这样的特征提取方法可以保留模型在局部特征的感知能力，并在一定程度上保留心跳间的依赖关系，充分利用短时心电信号的特征信息。然后使用BLSTM模块对每个分支提取到的特征信息进行加强，提高模型的检测能力。
为了证明所提模型MCNN-BLSTM的有效性，我们设计了1CCNN-BLSTM和MCNN-ULSTM两种模型与MCNN-BLSTM进行结果对比。这里我们分别将心电信号的输入长度和分支数设置为6s(11分支CNN)，10s(7分支CNN)，15s(5分支CNN)，20s(4分支CNN)，25s(3分支CNN)和30s(3分支CNN)来进行实验，并在1CCNN-BLSTM模型上进行了输入长度为61s的实验。具体实验结果如表1所示：
表1 CinC2017测试集上在1CCNN-BLSTM、MCNN-ULSTM和MCNN-BLSTM的实验结果
Figure BDA0003871376580000041
Figure BDA0003871376580000051
如表1所示，MCNN-BLSTM在段长度l＝25s时，模型F1平均得分最高，为84.56％，MCNN-ULSTM在段长度l＝25s时，F1平均分最高，为83.59％，1CCNN-BLSTM在段长度为61s时，F1平均分最高，为82.08％。
为了更直观地比较MCNN-BLSTM、MCNN-ULSTM和1CCNN-BLSTM三种模型的性能，我们通过对六种输入长度下三种模型的PR曲线(precision-recall curve)进行分析。在比较相同输入的三种模型时，PR曲线越接近右上角表示测试越准确。从图2的曲线图中我们不难发现，MCNN-BLSTM对比于其他两个模型，始终能够保持更高的性能。并且通过计算每条PR曲线下的AUC面积，我们发现MCNN-BLSTM的AUC值始终高于其他两个模型，并在输入段为25s的时候，MCNN-BLSTN模型的AUC值达到最高，然后MCNN-ULSTM次之，1CCNN-BLSTM的效果最差，这也更加充分的证明了本发明所提模型的有效性。
接下来，为了验证MCNN-BLSTM模型(l＝25s)对噪声节律的鲁棒性，我们对CinC2017数据集的Normal、AF、Other和Noise进行了分类。测试结果如表2所示。我们发现，MCNN-BLSTM网络(l＝25s)对于Normal、AF、Other和Noise四类节律的F1值平均分为78.88％。与3种分类结果相比，N节律、AF节律和Other节律的F1值平均分别降低了0.09％、2.74％和1.29％。
表2 MCNN-BLSTM在CinC2017数据集上进行四分类的结果
Figure BDA0003871376580000052
Figure BDA0003871376580000061
最后，为了验证所提出的MCNN-BLSTM网络在其他短时心电数据集上的通用性，我们利用CPSC2018数据集对所提出模型的分类结果进行了分析。其中数据集的20％作为测试集的预测结果如表3所示。从表3的结果可以看出，本发明提出的MCNN-BLSTM模型在CPSC2018测试集上的平均F1值为82.01％。
表3 MCNN-BLSTM在CPSC2018数据集上进行三分类的结果
Figure BDA0003871376580000062
为了便于观察，我们利用PCA方法将MCNN-BLSTN模型(l＝25s)中每个分支CNN的特征图的大小由256减小到3，最后一层feature的大小由softmax层前的48减小到3。然后，将N、AF和O类的特征结果可视化为一个三维空间。从图3中我们可以看出，每条支路提取到的特征信息是不一样的，这也充分说明了每条支路的有效性，每个分支均能够提取到丰富的特征信息，但依赖于单个分支的特征信息依旧难以进行分类。在将不同分支的特征信息进行融合并使用BLSTM进行特征增强后，特征的识别程度明显增加，三类特征基本分离，这也说明了模型能够对每个分支的特征信息进行有效的整合，并通过BLSTM对这些特征信息进行加强。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。

Claims (6)

1.一种基于短时单导联心电信号的房颤检测模型MCNN-BLSTM，其特征在于，该方法包括：
步骤1：模型获取短时单导联心电信号后，对信号进行预处理，获取切片后的多个相同长度的不同心电片段输出；过程如下：
心电信号利用Daubechies 6(db6)小波变换对原始心电信号进行九级小波分解，消除D1、D2和A9分量，然后重构剩下的分量，得到滤波后的信号。
重构后的心电信号降采样至120Hz。降采样是降低心电记录采样率的过程，它有助于降低模型的复杂性，缩短模型的训练时间。
降采样后的心电信号根据切片数量n，切片长度l以及信号长度L计算重叠量ol，其中ol计算公式如下所示：
Figure FDA0003871376570000012
将切片后的心电信号使用Z-score标准化技术，使心电信号的幅度服从数据均匀分布。Z-score的定义如下：
Figure FDA0003871376570000011
其中E(x)为样本数据的均值，Var(x)是样本数据的方差。
步骤2：MCNN模块根据切片的数量，设置不同的支路对切片进行特征学习；
步骤3：BLSTM模块进一步对各个支路提取到的特征进行加强，提高模型的分类能力；
MCNN模块和BLSTM过程如下：
通过预处理步骤获取D＝{(x1,y1),(x2,y2),…,(xm,ym)}作为训练集，其中m表示心电信号的个数，xi表示第i条心电信号，yi∈{0,1,2}表示第i条心电信号的类别，0代表正常节律，1代表房颤节律，2代表其他节律。
对于一条心电信号xi，将其输入到模型MCNN-BLSTM中获得输出zi，公式如下所示：
zi＝g(xi,θ) (3)
其中θ表示模型中的相关参数。
步骤4：分类模块根据最终提取到的特征对心电信号进行分类，这里分类为正常、房颤和其他三种类别；过程如下：
经过模型计算后获取每一类的特征向量zi，将zi输入到线性层，获取与类别数量相同的输出，并加入softmax函数输出心电信号为正常节律、AF节律或其他节律的概率，对应的softmax函数计算如下：
Figure FDA0003871376570000021
其中c＝3表示心电信号的类别数，
Figure FDA0003871376570000022
为输入向量zi的类别概率。
2.根据权利要求1所述的一种基于短时单导联心电信号的房颤检测模型MCNN-BLSTM。模型整体包含四个模块：预处理模块、MCNN模块、BLSTM模块和分类模块。其中预处理模块包括：降噪、降采样、切片和标准化等操作。MCNN模块包括多个卷积分支，每个卷积分支包含12个卷积层和4个池化层。12个卷积层分为4个组，每个组的卷积层分别为4、3、3和2。第一组过滤器的数量为8、16、32和32。第二组有64个过滤器。第三组有128个过滤器。最后一组卷积层有256个滤波器。每个卷积层后包含一个BN层。BLSTM模块将每个分支学习到的特征进行进一步的加强。分类模块使用Softmax函数计算每条信号属于正常、房颤和其他类别的概率。
3.根据权利要求1所述的一种基于短时单导联心电信号的房颤检测模型MCNN-BLSTM，其特征在于：模型在训练过程中使用SGD和冲量相结合作为模型的优化器，加速模型在正确方向上的收敛速度。模型设置batch size为32，冲量系数为0.7，初始学习率为0.1，每10次迭代，学习率会进行衰减，最大迭代次数为100，在每一次循环迭代中更新模型参数。其中学习率μ衰减公式如下所示：
μ＝μ0*0.1N/10 (5)
其中，μ0为初始学习速率，N为迭代次数。
4.根据权利要求1所述的一种基于短时单导联心电信号的房颤检测模型MCNN-BLSTM，其特征在于：模型在训练过程中，将MCNN模块各卷积层的L2正则化参数加入到损失函数中。因此，最终损失函数可以定义为：
Figure FDA0003871376570000023
其中，|D|为训练集的大小，
Figure FDA0003871376570000024
为输入短时单导联心电信号的类别概率，γ为惩罚因子，W为所提模型中的权重参数。
5.根据权利要求1所述的一种基于短时单导联心电信号的房颤检测模型MCNN-BLSTM，其特征在于：模型在MCNN模块和BLSTM模块之间使用dropout技术，降低模型过拟合情况。模型设置dropout的p值设为0.4。
6.根据权利要求1所述的一种基于短时单导联心电信号的房颤检测模型MCNN-BLSTM，其特征在于：所述心电信号采集于人体心电数据，属于短时单导联心电信号。
CN202211198567.5A 2022-09-29 2022-09-29 一种基于短时单导联心电信号的房颤检测模型mcnn-blstm Pending CN115736944A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211198567.5A CN115736944A (zh) 2022-09-29 2022-09-29 一种基于短时单导联心电信号的房颤检测模型mcnn-blstm

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211198567.5A CN115736944A (zh) 2022-09-29 2022-09-29 一种基于短时单导联心电信号的房颤检测模型mcnn-blstm

Publications (1)

Publication Number Publication Date
CN115736944A true CN115736944A (zh) 2023-03-07

Family

ID=85350622

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211198567.5A Pending CN115736944A (zh) 2022-09-29 2022-09-29 一种基于短时单导联心电信号的房颤检测模型mcnn-blstm

Country Status (1)

Country Link
CN (1) CN115736944A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116616792A (zh) * 2023-07-21 2023-08-22 山东大学 基于轻量化设计和特征融合的心房颤动检测系统
CN117281531A (zh) * 2023-11-27 2023-12-26 北京科技大学 基于卷积长短时记忆网络的心理疲劳态识别方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116616792A (zh) * 2023-07-21 2023-08-22 山东大学 基于轻量化设计和特征融合的心房颤动检测系统
CN116616792B (zh) * 2023-07-21 2023-12-01 山东大学 基于轻量化设计和特征融合的心房颤动检测系统
CN117281531A (zh) * 2023-11-27 2023-12-26 北京科技大学 基于卷积长短时记忆网络的心理疲劳态识别方法及系统
CN117281531B (zh) * 2023-11-27 2024-01-30 北京科技大学 基于卷积长短时记忆网络的心理疲劳态识别方法及系统

Similar Documents

Publication Publication Date Title
CN110840402B (zh) 一种基于机器学习的房颤信号识别方法及系统
CN107822622B (zh) 基于深度卷积神经网络的心电图诊断方法和系统
CN111291614B (zh) 基于迁移学习多模型决策融合的儿童癫痫综合症分类方法
CN115736944A (zh) 一种基于短时单导联心电信号的房颤检测模型mcnn-blstm
CN109620152B (zh) 一种基于MutiFacolLoss-Densenet的心电信号分类方法
CN106805965A (zh) 一种心电信号分类方法及装置
Cao et al. Atrial fibrillation detection using an improved multi-scale decomposition enhanced residual convolutional neural network
CN111460956B (zh) 一种基于数据增强与损失加权的不平衡心电样本分类方法
CN110046604B (zh) 一种基于残差网络的单导联ecg心律失常检测分类方法
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
CN111202512A (zh) 一种基于小波变换与dcnn的心电图分类方法和装置
CN113349793A (zh) 一种基于分层注意力模型的心律失常分类方法
CN113229825A (zh) 一种基于深度神经网络的多标签多导联心电图分类方法
CN112704503B (zh) 心电信号噪声处理方法
Hsu et al. EEG-channel-temporal-spectral-attention correlation for motor imagery EEG classification
CN111700609A (zh) 基于短时心电信号的房颤检测方法、装置及设备
CN117503057A (zh) 基于高阶张量分解构建脑网络的癫痫发作检测装置及介质
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
CN116361688A (zh) 用于心电节律自动分类的多模态特征融合模型构建方法
CN116712082A (zh) 一种心电图数据增强方法、系统、介质、设备及终端
CN111603135B (zh) 一种基于主从支持向量机的低功耗癫痫检测电路
CN115429284B (zh) 心电信号分类方法、系统、计算机设备以及可读存储介质
CN114366116B (zh) 一种基于Mask R-CNN网络及心电图的参数获取方法
CN115429286A (zh) 一种心电表征自监督学习方法
Zhang et al. A classification method of arrhythmia based on adaboost algorithm

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