CN115886830A - 一种十二导联心电图的分类方法及系统 - Google Patents
一种十二导联心电图的分类方法及系统 Download PDFInfo
- Publication number
- CN115886830A CN115886830A CN202211578452.9A CN202211578452A CN115886830A CN 115886830 A CN115886830 A CN 115886830A CN 202211578452 A CN202211578452 A CN 202211578452A CN 115886830 A CN115886830 A CN 115886830A
- Authority
- CN
- China
- Prior art keywords
- layer
- classified
- dimension
- residual error
- network
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 230000007246 mechanism Effects 0.000 claims abstract description 27
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 14
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 4
- 230000000747 cardiac effect Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 description 14
- 238000013527 convolutional neural network Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000013517 stratification Methods 0.000 description 6
- 238000004195 computer-aided diagnosis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000033764 rhythmic process Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种十二导联心电图的分类方法及系统，所述方法包括：从待分类心电图文件中获取待分类心电信号；对所述待分类心电信号进行预处理；将预处理后的所述待分类心电信号输入完成训练的基于多阶段注意力机制的混合神经网络，得到分类结果；其中，所述混合神经网络同时采用残差网络和双向门控循环单元网络进行基准模型的搭建，并结合注意力机制在不同阶段的数据相关性进行建模。
Description
技术领域
本申请涉及数据处理技术领域，尤其涉及一种十二导联心电图的分类方法及系统。
背景技术
心脏疾病的普遍性和严重性都对人民大众造成了很大的影响，由于培养一个专业的心电图诊断医生需要经过多年的学习，成本十分的高，并且由于心电图的量非常的大，长时间的人工读图也会造成心电图医生的疲劳，从而导致误诊等情况的发生。因此，计算机辅助诊断心电图应运而生。
现有计算机辅助诊断心电图一般采用各类算法进行辅助诊断，例如采用传统的机器学习方法进行分类诊断，或者采用卷积神经网络和循环神经网络进行心电图的分类诊断。
申请人在研究时发现，传统的机器学习方法需要依赖手工特征的提取，会造成特征提取不充分等问题；而采用卷积神经网络和循环神经网络进行心电图的分类，未考虑各个阶段数据形式之间的相关性，且大部分工作是针对单导联或者两个导联开展工作，适应性不高。以上因素导致现有的计算机辅助诊断心电图的精度有待提高。
发明内容
为了解决现有计算机辅助诊断心电图的精度问题，本发明提供了一种十二导联心电图的分类方法及系统，同时采用残差网络和双向门控循环单元网络进行基准模型的搭建，并结合注意力机制在不同阶段的数据之间的相关性进行建模，提高了心电图的分类识别精度。
为解决上述技术问题，本发明的第一方面，公开了一种十二导联心电图的分类方法，所述方法包括：
从待分类心电图文件中获取待分类心电信号；
对所述待分类心电信号进行预处理；
将预处理后的所述待分类心电信号输入完成训练的基于多阶段注意力机制的混合神经网络，得到分类结果；其中，所述混合神经网络同时采用残差网络和双向门控循环单元网络进行基准模型的搭建，并结合注意力机制在不同阶段的数据相关性进行建模。
优选的，所述对所述待分类心电信号进行预处理，具体包括：
对所述待分类心电信号进行长度统一；
将长度统一后的所述待分类心电信号进行标准化，以转换为标准正态分布。
优选的，所述基于多阶段注意力机制的混合神经网络的网络结构包括：依次连接的卷积层，所述残差网络，交替使用的注意力打分层和双向门控循环单元网络，批正则化层BN层，修正线性单元层，全连接层；
其中，所述卷积层前面连接数据维度变换层，所述卷积层后面依次连接所述批正则化层BN层和所述修正线性单元层，所述修正线性单元层连接所述残差网络；
所述残差网络中包括：三个以上第一类残差模块和一个以上第二类残差模块；所述第二类残差模块连接在两个第一类残差模块之间；
所述残差网络的输出作为首个注意力打分层的输入，所述双向门控循环单元网络前面连接所述数据维度变换层，后面连接所述注意力打分层；
所述全连接层后面连接激活函数。
优选的，所述第一类残差模块包括主分支和捷径分支；
所述主分支上包含前后两个卷积层，每个卷积层后增加所述BN层和所述修正线性单元层；前一个修正线性单元层的输出作为后一个卷积层的输入；
所述捷径分支连接所述主分支的输入端和后一个BN层的输出端，用于复制前一个卷积层的输入，并与所述后一个BN层的输出相加得到总和，所述总和作为后一个修正线性单元层的输入。
优选的，所述第一类残差模块中的卷积核参数可适应性变化。
优选的，所述第二类残差模块的结构和所述第一类残差模块的结构相同；
所述第二类残差模块的捷径分支上具有卷积层；
所述第二类残差模块中的卷积核参数和所述第一类残差模块中的卷积核参数不同。
优选的，每个所述注意力打分层包含打分层和归一化层；
所述打分层中，打分函数为：score＝xWs；其中，x为上一层的输出，包含x1，x2…xn…xN，每个输出具有三个维度(维度1，维度2，维度3)，W表示在训练过程中的可训练参数，s表示所述注意力打分层所属阶段的查询向量，W的数据维度为(维度3，维度2)，s的数据维度为(维度2，1)；
在所述归一化层中，利用归一化函数沿着维度2对所述打分函数得出的每个打分结果沿进行归一化处理，得到打分结果的分布αn，
αn＝
其中，N表示维度2的大小，j表示维度2的每个计数，xj表示维度2对应的打分结果；
利用公式
对打分结果的分布αn进行加权处理，作为所述注意力打分层的输出，其中，output表示注意力打分层的输出，xn＝x1，x2…xN，αn＝α1，α2…αN。
优选的，所述混合神经网络按照下述方式训练得到：
获得心电图数据集；
将所述心电图数据集进行预处理之后输入所述混合神经网络，结合反向传播算法对所述混合神经网络进行训练，直到满足精度要求为止。
本发明的第二方面，公开了一种十二导联心电图的分类系统，包括：
获取模块，用于从待分类心电图文件中获取待分类心电信号；
预处理模块，用于对所述待分类心电信号进行预处理；
分类模块，用于将预处理后的所述待分类心电信号输入完成训练的基于多阶段注意力机制的混合神经网络，得到分类结果；其中，所述混合神经网络同时采用残差网络和双向门控循环单元网络进行基准模型的搭建，并结合注意力机制在不同阶段的数据相关性进行建模。
本发明的第三方面，公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。
本发明的第四方面，公开了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。
通过本发明的一个或者多个技术方案，本发明具有以下有益效果或者优点：
本发明提供的技术方案，同时采用了残差网络的结构和双向门控循环单元网络的结构，引入了多阶段的注意力机制，提高了心电图的分类识别精度。具体来讲，该优点主要是来源于以下几个方面，一方面是残差网络中残差结构的引入，可以避免卷积神经网络加深导致的梯度消失问题，同时该部分可以有效的提取心电图的局部空间特征，另一方面是除了采用卷积神经网络以外，由于心电图本质上是一个时序数据，所以采用了双向门控循环单元网络，对心电图进行序列的建模，提取心电图的时序特征，最后还通过多阶段的注意力机制，对心拍，节律以及导联之间进行注意力得分的计算，可以使得所述方案可以更好的聚焦于各个阶段的重要特征，以上的技术点都对本发明实现高精度的分类识别做出很大的贡献。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。
在附图中：
图1示出了根据本发明一个实施例的十二导联心电图的分类方法的流程示意图；
图2示出了根据本发明一个实施例的混合神经网络的网络结构的示意图；
图3示出了根据本发明一个实施例的第一类残差模块的结构示意图；
图4示出了根据本发明一个实施例的第一类残差模块的结构示意图；
图5示出了根据本发明一个实施例的注意力打分层的逻辑示意图；
图6示出了根据本发明一个实施例的十二导联心电图的分类系统示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
参看图1，本发明实施例公开了一种十二导联心电图的分类方法，包括下述步骤：
步骤101，从待分类心电图文件中获取待分类心电信号。
在本实施例中，心电图文件中的心电信号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。为了反应心脏不同面的电活动，一般会在人体不同部位放置电极，以记录和反应心脏的电活动。在常规心电图检查中，会安放4个肢体导联电极和V1-V6这6个胸前导联电极，得到常规十二导联心电图文件，由此可得到第二导联对应的待分类心电信号。十二导联包括：Ⅰ导联，Ⅱ导联，Ⅲ导联，avR导联，avL导联，avF导联，V1导联，V2导联，V3导联，V4导联，V5导联和V6导联。
步骤102，对所述待分类心电信号进行预处理。
在本实施例中，预处理包括：对所述待分类心电信号进行长度统一；以及将长度统一后的所述待分类心电信号进行标准化，以转换为标准正态分布。
具体的，通过裁剪得到长度统一的心电信号，以便后续处理。例如裁剪标准为10s，对于长度大于10s的待分类心电信号，随机裁剪得到10s的待分类心电信号，对于长度小于10s的待分类心电信号，补零得到10s的待分类心电信号。
对统一长度后的待分类心电信号的标准化处理，是将其转换为标准正态分布，从而提升模型的收敛速度，精度以及防止模型梯度爆炸。标准化的转换函数为：
x*＝(x―μ)/σ(1)
其中，x*为正态分布，x为待分类心电信号，μ为待分类心电信号的均值，σ为待分类心电信号的标准差。
步骤103，将预处理后的所述待分类心电信号输入完成训练的基于多阶段注意力机制的混合神经网络，得到分类结果。
在本实施例中，所述混合神经网络同时采用残差网络(ResNet)和双向门控循环单元网络(Bidirectional Gated Recurrent Unit，Bi-GRU)进行基准模型的搭建，并结合注意力机制在不同阶段的数据相关性进行建模。混合神经网络所采用的激活函数为带泄露的修正线性单元(Leaky Rectified Linear Unit，Leaky ReLU)，所采用的损失函数为交叉熵损失函数，输出层的激活函数为sigmoid函数，但并不形成限制。
可见，本实施例的混合神经网络在网络搭建方面采用了基于ResNet和BiGRU的混合网络，不仅利用卷积神经网络提取心电图的空间特征，同时还利用双向门控循环单元网络挖掘时间序列中各个采样点之间的相关性，也即十二导联心电各个采样点之间的相关性。此外还结合了多阶段注意力机制，在进行十二导联分类时，从心拍层面的同一个导联的心拍之间，到十二个导联之间都采用了注意力机制对每一个层面的数据进行注意力打分-归一化-加权操作，衡量各个心拍，节律以及导联之间的重要性，有效提高了十二导联心电图分类方法的准确率。
具体来说，混合神经网络的网络结构包括：依次连接的卷积层(卷积核大小为1x8，卷积核个数为32，步长为1，填充方式为same)，所述残差网络，交替使用的注意力打分层和Bi-GRU，批正则化层BN层，Leaky ReLU层(alpha参数为0.3)，全连接层，所述全连接层后面连接激活函数。
其中，所述卷积层前面连接数据维度变换层，所述卷积层后面依次连接BN层和Leaky ReLU层，Leaky ReLU层后面连接所述残差网络；
所述残差网络中包括两类残差模块，具体包括3个以上第一类残差模块和1个以上第二类残差模块；所述第二类残差模块连接在两个第一类残差模块之间。
残差网络的输出作为首个注意力打分层的输入，Bi-GRU前面连接所述数据维度变换层，后面连接所述注意力打分层。
最后的注意力打分层的输出依次进入BN层，Leaky ReLU层后，进入全连接层。
为了更好的理解混合神经网络的网络结构，下面参看图2进行说明。
在图2中，主要包含1个卷积层，2个Bi-GRU，3个阶段的注意力打分层，4个残差模块构成的残差网络，连接关系为残差模块A1→残差模块A2→残差模块B1→残差模块A3。值得注意的是，数量可根据实际情况而定，并不形成限制。
具体来说，在图2示出的混合神经网络的网络结构中，从整体上依次包含：输入，数据维度变换层-1，卷积层-1D，BN层，Leaky ReLU层，4个残差模块构成的残差网络，依次为：残差模块A1→残差模块A2→残差模块B1→残差模块A3，注意力打分层-1，数据维度变换层-2，Bi-GRU-1，注意力打分层-2，数据维度变换层-3，Bi-GRU-2，注意力打分层-3，BN层，LeakyReLU层，全连接层，激活函数，输出。
为了更好的理解残差网络，下面分别对残差网络的第一残差模块和第二残差模块进行说明。
第一类残差模块包括主分支和捷径分支。
在主分支上，包含前后两个卷积层，每个卷积层后增加所述BN层和Leaky ReLU层；前一个Leaky ReLU层的输出作为后一个卷积层的输入。
所述捷径分支连接所述主分支的输入端和后一个BN层的输出端，用于复制前一个卷积层的输入，并与所述后一个BN层的输出相加得到总和，所述总和作为后一个LeakyReLU层的输入。
参看图3，示出了残差网络的第一类残差模块的结构示意图。
第一类残差模块在捷径上没有下采样操作，主要包括一个卷积层-1D，一个BN层，一个Leaky ReLU层，一个卷积层-1D，一个BN层，经过上述几层后的输出与输入该第一类残差模块的数据进行相加，得出总和以后输入到后一个Leaky ReLU层。
值得注意的是，第一类残差模块中的卷积核参数可适应性变化。也即：根据需求可修改第一类残差模块中的卷积核参数，以适应计算。后续会对此进行解释说明。
所述第二类残差模块的结构和所述第一类残差模块的结构相同，但所述第二类残差模块的捷径分支上具有卷积层进行下采样操作。此外，所述第二类残差模块中的卷积核参数和所述第一类残差模块中的卷积核参数不同。
参看图4，示出了残差网络的第二类残差模块的结构示意图。
上述两类残差模块可适应性的选择数量构成残差网络。如图2所示的残差网络一共有4个残差模块，包含3个第一类残差模块(A1、A2、A3)和1个第二类残差模块(B1)。连接关系为残差模块A1→残差模块A2→残差模块B1→残差模块A3，其中，残差模块A1和A2的卷积和参数相同。具体为：卷积核大小为1x8，卷积核个数为32，步长为1，填充方式为same。残差模块B1在主分支上的卷积核大小为1x8，卷积核个数为64，在捷径分支上的卷积核大小为1x1，卷积核个数为64，填充方式为valid。因残差模块A3处于残差模块B1后面，因此适应性调整卷积核大小为1x8，卷积核个数为64，填充方式为same。输出的数据维度为(心拍个数，一个心拍的采样点个数/2，64)。
在本实施例中，每个所述注意力打分层包含打分层和归一化softmax。参看图5，是注意力打分层的逻辑示意图。
所述打分层中，打分函数为：score＝xWs(2)
其中，x为上一层的输出，包含x1，x2…xn…xN，且每个输出具有三个维度(维度1，维度2，维度3)。
在本实施例中，注意力打分层所属阶段不同，则三个维度具有不同的含义。具体来说，本实施例的混合神经网络一共有3个阶段的注意力打分层，分别为：注意力打分层-1，注意力打分层-2，注意力打分层-3。
在注意力打分层-1中，x的三个维度(维度1，维度2，维度3)分别为：心拍个数，一个心拍的采样点个数/2，64。
注意力打分层-2中，x的三个维度(维度1，维度2，维度3)分别为：导联数目，一个导联里的心拍个数，64。
注意力打分层-3中，x的三个维度(维度1，维度2，维度3)分别为：1，导联数目，64。
W表示在训练过程中的可训练参数。在同一阶段的注意力打分层中，W的第一个数据维度需要和x中的第三个数据维度相同，以便于进行矩阵乘法。因此，W的数据维度为(维度3，维度2)。
s表示所述注意力打分层所属阶段的查询向量，也是一种可训练参数。在同一阶段的注意力打分层中，s的第一个数据维度需要和W中的第二个数据维度相同，以便于进行矩阵乘法。因此，s的数据维度为(维度2，1)。
在所述归一化层中，利用归一化函数沿着维度2(即打分函数中三个参数中具有相同含义的维度)对所述打分函数得出的每个打分结果沿进行归一化处理，得到打分结果的分布αn。
归一化处理的公式为：
其中，N表示维度2的大小，j表示维度2的每个计数，xj表示维度2对应的打分结果；exp表示指数函数。
利用加权公式对打分结果的分布αn进行加权处理，作为所述注意力打分层的输出。
加权公式为：
其中，output表示注意力打分层的输出，xn＝x1，x2…xN，αn＝α1，α2…αN。
以上是本实施例中混合神经网络的结构描述。基于上述结构描述中，混合神经网络按照下述方式训练得到：
获得心电图数据集；
将所述心电图数据集进行预处理之后输入所述混合神经网络，结合反向传播算法对所述混合神经网络进行训练，直到满足精度要求为止。
为了说明上述训练过程，下面结合图2进行说明。
心电图数据集在预处理之后，得到的心电信号，维度为(导联数，每一个导联的采样点个数，1)。
经过数据维度变换层-1，将心电信号转换为心拍数据，维度为(心拍个数，一个心拍的采样点个数，1)。
其中，心电信号中的心拍个数计算公式为：
L＝M导联/M心拍(5)
L表示导联数，M导联表示每一个导联的采样点个数，M心拍表示一个心拍的采样点个数。该公式利用不重叠的滑动窗口确定心拍数据，具体的，先固定一个心拍的采样点个数，例如固定心拍大小为50，则一个心拍的采样点个数为50，再通过导联数和每一个导联的采样点个数的乘积计算出整个心电信号的采样点个数，再除以一个心拍的采样点个数，得到整个心电信号的心拍个数。
将心拍数据依次输入卷积层-1，BN层，Leaky ReLU层，4个残差模块构成的残差网络，输出的数据维度为(心拍个数，一个心拍的采样点个数/2，64)。
将残差网络的输出结果输入到注意力打分层。本实施例的混合神经网络一共有3个阶段的注意力打分层，分别为：注意力打分层-1，注意力打分层-2，注意力打分层-3。
对于每一个注意力层，包含两个部分：打分层和归一化层softmax。打分层通过上述公式(2)计算出结果，再利用公式(3)沿着维度2对每个打分结果沿进行归一化处理，得到打分结果的分布αn。再利用公式(4)进行加权处理，得到注意力打分层的输出。每一个注意力层的处理过程和采用的公式都是相同的。
承接上述描述，将残差网络的输出结果输入到注意力打分层-1，得到输出结果输入数据维度变换层-2，以进行数据维度的变换，变换后的维度为(导联数目，一个导联里的心拍个数，64)。其中，一个导联里的心拍个数＝单个导联的信号长度/单个心拍的信号长度；第三个维度为64的原因在于，最后处理的卷积核个数为64。
将变换好数据维度的数据输入到Bi-GRU-1，节点个数为64，得到相应的输出，再输入注意力打分层-2，进行与上述相同的操作，得到对应的输出。
将上述输出结果输入数据维度变换层-3，进行数据维度的变换，变换后的维度为(1，导联数目，64)。
将变换好数据维度的数据输入到Bi-GRU-2，节点个数为64，得到相应的输出，再输入注意力打分层-3，进行与上述相同的操作，得到对应的输出。
将上述的提取到的特征输出经过BN层，Leaky ReLU层(alpha为0.3)，全连接层，全连接层的输出节点为具体的分类数目，再经过一个sigmoid函数，得到最后的输出，最后的输出为0-1之间的概率，经过反向传播算法对模型进行训练，得到训练好的基于多阶段注意力机制的混合神经网络。
利用训练好的基于多阶段注意力机制的混合神经网络对预处理后的所述待分类心电信号按照上述步骤进行处理，即可得到分类结果。
本发明提供的技术方案，和现有的心电图分类方法相比，同时采用了残差网络的结构和双向门控循环单元网络的结构，引入了多阶段的注意力机制，提高了心电图的分类识别精度。
具体来讲，该优点主要是来源于以下几个方面，一方面是残差网络中残差结构的引入，可以避免卷积神经网络加深导致的梯度消失问题，同时该部分可以有效的提取心电图的局部空间特征，另一方面是除了采用卷积神经网络以外，由于心电图本质上是一个时序数据，所以采用了双向门控循环单元网络，对心电图进行序列的建模，提取心电图的时序特征，最后还通过多阶段的注意力机制，对心拍，节律以及导联之间进行注意力得分的计算，可以使得所述方案可以更好的聚焦于各个阶段的重要特征，以上的技术点都对本发明实现高精度的分类识别做出很大的贡献。
基于与前述实施例中同样的发明构思，本发明实施例还公开了一种十二导联心电图的分类系统，参看图6，包括：
获取模块601，用于从待分类心电图文件中获取待分类心电信号；
预处理模块602，用于对所述待分类心电信号进行预处理；
分类模块603，用于将预处理后的所述待分类心电信号输入完成训练的基于多阶段注意力机制的混合神经网络，得到分类结果；其中，所述混合神经网络同时采用残差网络和双向门控循环单元网络进行基准模型的搭建，并结合注意力机制在不同阶段的数据相关性进行建模。
基于与前述实施例中同样的发明构思，本发明实施例还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前文任一所述方法的步骤。
基于与前述实施例中同样的发明构思，本发明实施例还公开了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前文任一所述方法的步骤。
通过本发明的一个或者多个实施例，本发明具有以下有益效果或者优点：
本发明提供的技术方案，同时采用了残差网络的结构和双向门控循环单元网络的结构，引入了多阶段的注意力机制，提高了心电图的分类识别精度。具体来讲，该优点主要是来源于以下几个方面，一方面是残差网络中残差结构的引入，可以避免卷积神经网络加深导致的梯度消失问题，同时该部分可以有效的提取心电图的局部空间特征，另一方面是除了采用卷积神经网络以外，由于心电图本质上是一个时序数据，所以采用了双向门控循环单元网络，对心电图进行序列的建模，提取心电图的时序特征，最后还通过多阶段的注意力机制，对心拍，节律以及导联之间进行注意力得分的计算，可以使得所述方案可以更好的聚焦于各个阶段的重要特征，以上的技术点都对本发明实现高精度的分类识别做出很大的贡献。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的网关、代理服务器、系统中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (11)
1.一种十二导联心电图的分类方法，其特征在于，所述方法包括：
从待分类心电图文件中获取待分类心电信号；
对所述待分类心电信号进行预处理；
将预处理后的所述待分类心电信号输入完成训练的基于多阶段注意力机制的混合神经网络，得到分类结果；其中，所述混合神经网络同时采用残差网络和双向门控循环单元网络进行基准模型的搭建，并结合注意力机制在不同阶段的数据相关性进行建模。
2.如权利要求1所述的方法，其特征在于，所述对所述待分类心电信号进行预处理，具体包括：
对所述待分类心电信号进行长度统一；
将长度统一后的所述待分类心电信号进行标准化，以转换为标准正态分布。
3.如权利要求1所述的方法，其特征在于，所述基于多阶段注意力机制的混合神经网络的网络结构包括：依次连接的卷积层，所述残差网络，交替使用的注意力打分层和双向门控循环单元网络，批正则化层BN层，修正线性单元层，全连接层；
其中，所述卷积层前面连接数据维度变换层，所述卷积层后面依次连接所述批正则化层BN层和所述修正线性单元层，所述修正线性单元层连接所述残差网络；
所述残差网络中包括：三个以上第一类残差模块和一个以上第二类残差模块；所述第二类残差模块连接在两个第一类残差模块之间；
所述残差网络的输出作为首个注意力打分层的输入，所述双向门控循环单元网络前面连接所述数据维度变换层，后面连接所述注意力打分层；
所述全连接层后面连接激活函数。
4.如权利要求3所述的方法，其特征在于，所述第一类残差模块包括主分支和捷径分支；
所述主分支上包含前后两个卷积层，每个卷积层后增加所述BN层和所述修正线性单元层；前一个修正线性单元层的输出作为后一个卷积层的输入；
所述捷径分支连接所述主分支的输入端和后一个BN层的输出端，用于复制前一个卷积层的输入，并与所述后一个BN层的输出相加得到总和，所述总和作为后一个修正线性单元层的输入。
5.如权利要求4所述的方法，其特征在于，所述第一类残差模块中的卷积核参数可适应性变化。
6.如权利要求4所述的方法，其特征在于，
所述第二类残差模块的结构和所述第一类残差模块的结构相同；
所述第二类残差模块的捷径分支上具有卷积层；
所述第二类残差模块中的卷积核参数和所述第一类残差模块中的卷积核参数不同。
7.如权利要求3所述的方法，其特征在于，每个所述注意力打分层包含打分层和归一化层；
所述打分层中，打分函数为：score＝xWs；其中，x为上一层的输出，包含x1，x2…xn…xN，每个输出具有三个维度(维度1，维度2，维度3)，W表示在训练过程中的可训练参数，s表示所述注意力打分层所属阶段的查询向量，W的数据维度为(维度3，维度2)，s的数据维度为(维度2，1)；
在所述归一化层中，利用归一化函数沿着维度2对所述打分函数得出的每个打分结果沿进行归一化处理，得到打分结果的分布αn，
其中，N表示维度2的大小，j表示维度2的每个计数，xj表示维度2对应的打分结果；
利用公式
对打分结果的分布αn进行加权处理，作为所述注意力打分层的输出，其中，output表示注意力打分层的输出，xn＝x1，x2…xN，αn＝α1，α2…αN。
8.如权利要求3-7任一权项所述的方法，其特征在于，所述混合神经网络按照下述方式训练得到：
获得心电图数据集；
将所述心电图数据集进行预处理之后输入所述混合神经网络，结合反向传播算法对所述混合神经网络进行训练，直到满足精度要求为止。
9.一种十二导联心电图的分类系统，其特征在于，包括：
获取模块，用于从待分类心电图文件中获取待分类心电信号；
预处理模块，用于对所述待分类心电信号进行预处理；
分类模块，用于将预处理后的所述待分类心电信号输入完成训练的基于多阶段注意力机制的混合神经网络，得到分类结果；其中，所述混合神经网络同时采用残差网络和双向门控循环单元网络进行基准模型的搭建，并结合注意力机制在不同阶段的数据相关性进行建模。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-8任一项所述方法的步骤。
11.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-8任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211578452.9A CN115886830B (zh) | 2022-12-09 | 2022-12-09 | 一种十二导联心电图的分类方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211578452.9A CN115886830B (zh) | 2022-12-09 | 2022-12-09 | 一种十二导联心电图的分类方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115886830A true CN115886830A (zh) | 2023-04-04 |
| CN115886830B CN115886830B (zh) | 2024-09-24 |
Family
ID=86495380
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211578452.9A Active CN115886830B (zh) | 2022-12-09 | 2022-12-09 | 一种十二导联心电图的分类方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115886830B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110890155A (zh) * | 2019-11-25 | 2020-03-17 | 中国科学技术大学 | 一种基于导联注意力机制的多类心律失常检测方法 |
| CN111401250A (zh) * | 2020-03-17 | 2020-07-10 | 东北大学 | 一种基于混合卷积神经网络的中文唇语识别方法及装置 |
| CN111488931A (zh) * | 2020-04-10 | 2020-08-04 | 腾讯科技（深圳）有限公司 | 文章质量评估方法、文章推荐方法及其对应的装置 |
| CN111753704A (zh) * | 2020-06-19 | 2020-10-09 | 南京邮电大学 | 一种基于视频人物唇读识别的时序集中预测方法 |
| CN112330713A (zh) * | 2020-11-26 | 2021-02-05 | 南京工程学院 | 基于唇语识别的重度听障患者言语理解度的改进方法 |
| CN112633381A (zh) * | 2020-12-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 音频识别的方法及音频识别模型的训练方法 |
| CN112784798A (zh) * | 2021-02-01 | 2021-05-11 | 东南大学 | 一种基于特征-时间注意力机制的多模态情感识别方法 |
| CN113449085A (zh) * | 2021-09-02 | 2021-09-28 | 华南师范大学 | 多模态情感分类方法、装置以及电子设备 |
| CN114039901A (zh) * | 2021-11-05 | 2022-02-11 | 中国人民解放军陆军工程大学 | 基于残差网络和循环神经网络混合模型的协议识别方法 |
| CN114224355A (zh) * | 2020-09-07 | 2022-03-25 | 中国移动通信有限公司研究院 | 心电信号分类训练方法、分类方法、装置及存储介质 |
| CN114548116A (zh) * | 2022-02-25 | 2022-05-27 | 杭州电子科技大学 | 一种基于语序与语义联合分析的中文文本检错方法及系统 |
| CN115188079A (zh) * | 2022-07-25 | 2022-10-14 | 天津理工大学 | 基于自适应多尺度注意力时序网络的连续手语识别方法 |
-
2022
- 2022-12-09 CN CN202211578452.9A patent/CN115886830B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110890155A (zh) * | 2019-11-25 | 2020-03-17 | 中国科学技术大学 | 一种基于导联注意力机制的多类心律失常检测方法 |
| CN111401250A (zh) * | 2020-03-17 | 2020-07-10 | 东北大学 | 一种基于混合卷积神经网络的中文唇语识别方法及装置 |
| CN111488931A (zh) * | 2020-04-10 | 2020-08-04 | 腾讯科技（深圳）有限公司 | 文章质量评估方法、文章推荐方法及其对应的装置 |
| CN111753704A (zh) * | 2020-06-19 | 2020-10-09 | 南京邮电大学 | 一种基于视频人物唇读识别的时序集中预测方法 |
| CN114224355A (zh) * | 2020-09-07 | 2022-03-25 | 中国移动通信有限公司研究院 | 心电信号分类训练方法、分类方法、装置及存储介质 |
| CN112330713A (zh) * | 2020-11-26 | 2021-02-05 | 南京工程学院 | 基于唇语识别的重度听障患者言语理解度的改进方法 |
| CN112633381A (zh) * | 2020-12-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 音频识别的方法及音频识别模型的训练方法 |
| CN112784798A (zh) * | 2021-02-01 | 2021-05-11 | 东南大学 | 一种基于特征-时间注意力机制的多模态情感识别方法 |
| CN113449085A (zh) * | 2021-09-02 | 2021-09-28 | 华南师范大学 | 多模态情感分类方法、装置以及电子设备 |
| CN114039901A (zh) * | 2021-11-05 | 2022-02-11 | 中国人民解放军陆军工程大学 | 基于残差网络和循环神经网络混合模型的协议识别方法 |
| CN114548116A (zh) * | 2022-02-25 | 2022-05-27 | 杭州电子科技大学 | 一种基于语序与语义联合分析的中文文本检错方法及系统 |
| CN115188079A (zh) * | 2022-07-25 | 2022-10-14 | 天津理工大学 | 基于自适应多尺度注意力时序网络的连续手语识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115886830B (zh) | 2024-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110890155B (zh) | 一种基于导联注意力机制的多类心律失常检测方法 | |
| CN108714026B (zh) | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 | |
| CN108875575B (zh) | 基于多通道信号融合深度神经网络自动心律失常分析方法 | |
| CN111626114B (zh) | 基于卷积神经网络的心电信号心律失常分类系统 | |
| 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 | |
| Xia et al. | Generative adversarial network with transformer generator for boosting ECG classification | |
| CN111310572B (zh) | 利用心搏时间序列生成心搏标签序列的处理方法和装置 | |
| CN113080990B (zh) | 一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法 | |
| 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 | |
| CN111275093A (zh) | 一种用于多标签标注心电信号的心搏分类方法和装置 | |
| CN110638430B (zh) | 级联神经网络ecg信号心律失常分类模型的搭建方法 | |
| CN110313894A (zh) | 基于卷积神经网络的心率失常分类算法 | |
| CN114041800B (zh) | 心电信号实时分类方法、装置及可读存储介质 | |
| Rai et al. | The prediction of cardiac abnormality and enhancement in minority class accuracy from imbalanced ECG signals using modified deep neural network models | |
| CN111803059A (zh) | 一种基于时域卷积网络的心电信号分类方法及装置 | |
| CN113901893A (zh) | 基于多重级联深度神经网络的心电信号的识别与分类方法 | |
| CN112957054A (zh) | 一种基于通道注意力分组残差网络的12导联心电信号分类方法 | |
| 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 | |
| CN115130509A (zh) | 基于条件式变分自编码器的心电信号生成方法 | |
| CN115062655A (zh) | 一种多导联心电信号分析方法及多导联心肌梗死分析系统 | |
| Chen et al. | Transfer learning for electrocardiogram classification under small dataset | |
| CN116432070A (zh) | 一种基于深度学习神经网络的ecg信号分类系统和方法 | |
| CN117582235A (zh) | 基于cnn-lstm模型的心电信号分类方法 | |
| 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 | |
| CN116746939A (zh) | 基于多特征融合的多导联心电信号多标签分类方法 |
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 |