CN116172569A - 基于随机卷积的心电分类方法 - Google Patents

Abstract

本发明公开了一种基于随机卷积的心电分类方法，包括：步骤1、从外部设备获取心电信号数据，并进行数据预处理；步骤2、初始化大量随机的卷积核用于后续的卷积运算以提取心电信号的特征；步骤3、利用生成的随机卷积核对采集到的心电数据进行特征抽取；步骤4、利用得到的心电信号特征表征训练机器学习分类器，进而对后续输入心电信号完成分类。该基于随机卷积的心电分类方法能够在保证计算轻量级的条件下同时满足特征的自动抽取，提高了心电分类任务的完成效率，取得了更好的分类效果。

Description

基于随机卷积的心电分类方法

技术领域

本发明涉及计算机应用技术领域，具体地，涉及一种基于随机卷积的心电分类方法。

背景技术

人体心电图是心脏电活动在体表的综合表现，蕴涵着丰富的反映心脏节律及其电传导的生理和病理信息，很大程度上客观反映心脏各部位的生理状况，是诊断心血管疾病、评价心脏功能的重要依据之一，是目前分析和鉴别各种心律失常和传导障碍最精确的方法。

但是，由于心电图信号的个体性差异和心脏病理信息分析的复杂性，部分医院使用的心电辅助诊断系统自动生成的心电图报告的准确性不高，最终的诊断结果尚有赖于临床心电专家进行最终的人工决策。这种方式耗时费工，且不同专家判断心电图的标准有不一致，从而制约智能心电事业的发展。

为了提升临床医学的心血管疾病预防、预警、诊断、治疗和预后评估等方面的水平，同时降低所需的人工成本，现有许多方法尝试基于机器学习算法构建智能化的心电分类方法，主流的方法主要有以下两类：

1)基于专家先验知识的传统机器学习方法

每次心跳可由描述心动周期不同事件的P波，QRS波群以及T波组成。通过对上述波形等心电特征点的定位，可以抽取出专家预定义的各种特征。例如形态特征(斜率、峰值、振幅等)能够捕捉窦性心律和表现出不同形态特征的颤动；时间间隔特征(QRS宽度、QT间期或平均心率)可以表征不同种类的心电信息。最后，将抽取到的特征送入到下游分类器，例如线性和二次判别式、支持向量机、随机森林和贝叶斯网络等实现心电波形的分类和诊断推理。

2)基于深度神经网络的分类方法

此类方法借助近年来得到广泛关注的深度学习方法，利用不同结构的神经网络(循环神经网络，卷积神经网络)自动对采集到的心电数据进行特征抽取，挖掘数据中潜在的模式，进而增强最终的分类效果。

上述两类方法虽然在心电智能诊断上都取得了不错的效果，但是也都存在非常明显的短板。基于专家先验知识的传统机器学习方法依赖于已有的领域知识，而受限于对于心电信号的研究和理解不够全面，部分潜在的特征无法被提取到进而影响到最终的分类结果；此外，P/QRS/T各个波的特征点定标不准确，手动提取特征的有效性难以保障。而对于现有的基于深度神经网络的分类方法，由于其参数规模巨大，其往往需要大量的训练数据使得整个网络能够得到很好的训练；另外，深度神经网络模型也依赖于庞大的计算资源，在训练和推理时都可能造成严重的延迟。

发明内容

本发明的目的是提供一种基于随机卷积的心电分类方法，该基于随机卷积的心电分类方法能够在保证计算轻量级的条件下同时满足特征的自动抽取，提高了心电分类任务的完成效率，取得了更好的分类效果。

为了实现上述目的，本发明提供了一种基于随机卷积的心电分类方法，包括：

步骤1、从外部设备获取心电信号数据，并进行数据预处理；

步骤2、初始化大量随机的卷积核用于后续的卷积运算以提取心电信号的特征；

步骤3、利用生成的随机卷积核对采集到的心电数据进行特征抽取；

步骤4、利用得到的心电信号特征表征训练机器学习分类器，进而对后续输入心电信号完成分类。

优选地，在步骤1中使用心电监护仪进行采集得到需要进行分类的心电信号。

优选地，步骤1中获取的心电信号为12导联信号，包括三个肢体导联、三个加压肢体导联以及六个胸导联的信号数据。

优选地，采集到原始的心电数据后，首先进行信号长度的规约，将每个信号实例压缩到固定长度，然后使用滤波器对固定长度的数据进行滤波处理，得到后续用于分类的心电信号数据X＝[x₁,x₂…,x_m]，其中m是总的样本数，x_i∈R^T×12为一个表示为矩阵形式的心电信号数据，T为时间序列长度。

优选地，在步骤2中，使用10000个随机卷积核用于提取心电信号的特征，所述随机卷积核具有不同的权重、偏置项以及膨胀系数，相应的初始化方案如下：

对于每一个卷积核，从{5,7,9,11}的集合中均匀随机采样得到其卷积的长度，即：

L＝U({5,7,9,11})

其中L指代卷积核的长度，U表示均匀分布；

对于卷积核的权重值W∈R^12×L，采用随机采样的方式进行生成：

W～N(0,1)

其中N(0,1)表示均值为0，方差为1的正态分布；

对于卷积核的偏置量b，采用均匀随机采样的方式得到，即：

b～U(-1,1)

对于卷积核的膨胀系数d，选择基于指数的均匀采样得到：

d～2^a

a～U(0,10)

基于上述随机初始化卷积核的方法，能够得到10000个完全随机的卷积核，记为K＝[k₁,k₂,…,k₁₀₀₀₀]，其中k_i＝(W_i,b_i,d_i)为第i个随机卷积核。

优选地，在步骤3中，对于输入的心电信号X_i，利用步骤2中随机生成的10000个随机卷积核能够得到10000个特征向量

具体地：

其中Conv1D(X,k)代表了输入数据X上基于卷积核k的一维卷积运算；

针对得到的特征向量，在其基础上进一步抽取特征：

对于每个特征向量，抽取其最大值特征maxval，即：

此外，还考虑额外特征为此特征向量的正值百分比，即：

通过以上步骤，能够得到每个心电输入信号的最终特征表示

以及所有心电信号的特征表征集合REP＝[rep₁,ep₂,…,ep_m]。

优选地，在步骤4中，基于步骤3提取到的20000维的特征向量，训练一个支持向量机模型，并利用五折交叉验证方法对模型进行超参调整，进而完成整个分类器的训练。

根据上述技术方案，本发明采用大量的随机卷积核对心电信号进行特征抽取，而后用简单分类器进行分类。在保证了计算轻量级的条件下同时满足了特征的自动抽取，可以在心电分类任务上取得更好的效果。

本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：

图1是本发明提供的基于随机卷积的心电分类方法的流程示意图。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

参见图1，本发明提供一种基于随机卷积的心电分类方法，具体包括：

步骤1、从心电监护仪等外部设备获取心电信号数据，并进行相应的数据预处理。

在本实施方式中，使用现有的心电监护仪等外部设备进行采集得到需要进行分类的心电信号。相应的，本发明中涉及的心电信号为12导联信号，分别为三个肢体导联、三个加压肢体导联以及六个胸导联的信号数据。采集到原始的心电数据后，首先进行信号长度的规约，将每个信号实例压缩到如10秒钟等的固定长度。而后使用滤波器对固定长度的数据进行滤波处理，得到后续用于分类的心电信号数据X＝[x₁,x₂…,x_m]，其中m是总的样本数，x_i∈R^T×12为一个表示为矩阵形式的心电信号数据，T为时间序列长度。

步骤2、初始化大量随机的卷积核用于后续的卷积运算以提取心电信号的特征。

在本实施方式中，根据心电信号的时间序列性质，且为了解决传统特征工程方法先验知识不足的缺陷，选择使用大量的一维卷积运算作为特征提取器。而为了进一步解决深度学习方法计算量过大的缺点，本发明所采用的卷积核并不参与梯度的计算以及权重的更新，从而使得模型训练以及特征抽取的过程高效且快速。

具体地，本发明使用了10000个随机卷积核来提取心电信号的特征。所述随机卷积核具有不同的权重、偏置项以及膨胀系数，相应的初始化方案如下：

对于每一个卷积核，本发明从{5,7,9,11}的集合中均匀随机采样得到其卷积的长度，也即，

L＝U({5,7,9,11})

其中L指代卷积核的长度，U表示均匀分布。

而对于卷积核的权重值W∈R^12×L，本发明同样采用随机采样的方式进行生成，具体如下，

W～N(0,1)

其中N(0,1)表示均值为0，方差为1的正态分布。

类似的，对于卷积核的偏置量b，本发明采用均匀随机采样的方式得到，也即，

b～U(-1,1)

对于卷积核的膨胀系数d，本发明中选择基于指数的均匀采样得到，具体地，

d～2^a

a～U(0,10)

基于上述随机初始化卷积核的方法，可以得到10000个完全随机的卷积核，记为K＝[k₁,k₂,…,k₁₀₀₀₀]，其中k_i＝(W_i,b_i,d_i)为第i个随机卷积核。

步骤3、利用生成的随机卷积核对采集到的心电数据进行特征抽取。

对于输入的心电信号X_i，利用步骤2中随机生成的10000个随机卷积核可以得到10000个特征向量

具体地

其中Conv1D(X,k)代表了输入数据X上基于卷积核k的一维卷积运算。

然而，所述得到的特征向量具有较高的数据维度，为了进一步抽取出特征，减少后续分类学习需要的计算量，本发明将在特征向量的基础上进一步抽取特征：

对于每个特征向量，抽取其最大值特征maxval，也即

此外，还考虑额外特征为此特征向量的正值百分比，也即计算

通过以上步骤，能够得到每个心电输入信号的最终特征表示

以及所有心电信号的特征表征集合REP＝[rep₁,ep₂,…,ep_m]。

步骤4、利用得到的心电信号特征表征训练机器学习分类器，进而对后续输入心电信号完成分类。

基于上述提取到的20000维的特征向量，训练一个支持向量机模型，并利用五折交叉验证方法对模型进行超参调整，进而完成整个分类器的训练。

以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。

Claims (7)

1.一种基于随机卷积的心电分类方法，其特征在于，包括：

步骤1、从外部设备获取心电信号数据，并进行数据预处理；

步骤2、初始化大量随机的卷积核用于后续的卷积运算以提取心电信号的特征；

步骤3、利用生成的随机卷积核对采集到的心电数据进行特征抽取；

步骤4、利用得到的心电信号特征表征训练机器学习分类器，进而对后续输入心电信号完成分类。

2.根据权利要求1所述的基于随机卷积的心电分类方法，其特征在于，在步骤1中使用心电监护仪进行采集得到需要进行分类的心电信号。

3.根据权利要求1所述的基于随机卷积的心电分类方法，其特征在于，步骤1中获取的心电信号为十二个导联信号，包括三个肢体导联、三个加压肢体导联以及六个胸导联的信号数据。

4.根据权利要求1所述的基于随机卷积的心电分类方法，其特征在于，采集到原始的心电数据后，首先进行信号长度的规约，将每个信号实例压缩到固定长度，然后使用滤波器对固定长度的数据进行滤波处理，得到后续用于分类的心电信号数据X＝[x₁,x₂…,x_m]，其中m是总的样本数，x_i∈R^T×12为一个表示为矩阵形式的心电信号数据，T为时间序列长度。

5.根据权利要求1所述的基于随机卷积的心电分类方法，其特征在于，在步骤2中，使用10000个随机卷积核用于提取心电信号的特征，所述随机卷积核具有不同的权重、偏置项以及膨胀系数，相应的初始化方案如下：

对于每一个卷积核，从{5,7,9,11}的集合中均匀随机采样得到其卷积的长度，即：

L＝U({5,7,9,11})

其中L指代卷积核的长度，U表示均匀分布；

对于卷积核的权重值W∈R^12×L，采用随机采样的方式进行生成：

W～N(0,1)

其中N(0,1)表示均值为0，方差为1的正态分布；

对于卷积核的偏置量b，采用均匀随机采样的方式得到，即：

b～U(-1,1)

对于卷积核的膨胀系数d，选择基于指数的均匀采样得到：

d～2^a

a～U(0,10)

基于上述随机初始化卷积核的方法，能够得到10000个完全随机的卷积核，记为K＝[k₁,k₂,…,k₁₀₀₀₀]，其中k_i＝(W_i,b_i,d_i)为第i个随机卷积核。

6.根据权利要求5所述的基于随机卷积的心电分类方法，其特征在于，在步骤3中，对于输入的心电信号X_i，利用步骤2中随机生成的10000个随机卷积核能够得到10000个特征向量

具体地：

其中Ccnv1D(X,k)代表了输入数据X上基于卷积核k的一维卷积运算；

针对得到的特征向量，在其基础上进一步抽取特征：

对于每个特征向量，抽取其最大值特征maxval，即：

此外，还考虑额外特征为此特征向量的正值百分比，即：

通过以上步骤，能够得到每个心电输入信号的最终特征表示

以及所有心电信号的特征表征集合REP＝[rep₁,rep₂,…,rep_m]。

7.根据权利要求6所述的基于随机卷积的心电分类方法，其特征在于，在步骤4中，基于步骤3提取到的20000维的特征向量，训练一个支持向量机模型，并利用五折交叉验证方法对模型进行超参调整，进而完成整个分类器的训练。

Images