CN116807491A - 应用于实时心电监测设备的心肌梗死全局导联重建方法 - Google Patents
应用于实时心电监测设备的心肌梗死全局导联重建方法 Download PDFInfo
- Publication number
- CN116807491A CN116807491A CN202310888672.XA CN202310888672A CN116807491A CN 116807491 A CN116807491 A CN 116807491A CN 202310888672 A CN202310888672 A CN 202310888672A CN 116807491 A CN116807491 A CN 116807491A
- Authority
- CN
- China
- Prior art keywords
- lead
- reconstruction
- myocardial infarction
- data
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 208000010125 myocardial infarction Diseases 0.000 title claims abstract description 78
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 40
- 230000036541 health Effects 0.000 claims abstract description 30
- 230000000694 effects Effects 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 238000006243 chemical reaction Methods 0.000 claims abstract description 12
- 238000000513 principal component analysis Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 75
- 238000012549 training Methods 0.000 claims description 56
- 239000013598 vector Substances 0.000 claims description 48
- 239000011159 matrix material Substances 0.000 claims description 41
- 238000012795 verification Methods 0.000 claims description 34
- 230000004913 activation Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 19
- 238000000354 decomposition reaction Methods 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012806 monitoring device Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000012141 concentrate Substances 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 7
- 238000002474 experimental method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000002779 inactivation Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000011426 transformation method Methods 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 238000003759 clinical diagnosis Methods 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 238000002565 electrocardiography Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 208000019155 Radiation injury Diseases 0.000 description 1
- 206010042434 Sudden death Diseases 0.000 description 1
- 206010000891 acute myocardial infarction Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提出应用于实时心电监测设备的心肌梗死全局导联重建方法，包括以下步骤：步骤S1：对心肌梗死心电信号数据集和健康对照心电信号数据集进行数据预处理；步骤S2：进行各导联主成分分析，绘制方差贡献率图，实现最高贡献度导联决策，确定重建导联组；步骤S3：滤除导联组原始数据的冗余信息，对数据进行非线性卷积预分类处理，提高导联重建算法效果；步骤S4：对导联重建算法拟合导联之间的转换关系；步骤S5：以卷积神经网络作为导联重建模型框架，进行网络结构优化和参数设置；步骤S6：基于优化后的网络，分别构建全局导联重建模型，验证导联重建前后状态差异；本发明能实现便携式心电监测和临床诊断导联互通，进而提升便携式心电监护仪实用性。
Description
技术领域
本发明涉及心电特征分类、机器学习技术领域，尤其是应用于实时心电监测设备的心肌梗死全局导联重建方法。
背景技术
心血管疾病(Cardiovascular Diseases，CVD)随着社会人口老龄化的加剧成为了笼罩在人们头上的阴云。其中心肌梗死(Myocardial Infarction，MI)更是引发猝死最普遍的因素。在心梗患者中有很大一部分人群在平时疾病的症状并不明显，但若长期处于高压疲劳状态则可能诱发大面积的心肌细胞坏死，这部分症状不明显的患者往往不会主动采用具有辐射伤害的检查方式，大概率会因自身以及医生的忽视而导致病情不断恶化。心电图(Electrocardiography，ECG)诊断作为无创、低成本的检查手段具有发现潜在心肌梗死病变的能力，在临床中被广泛使用。心电监测在临床中一般分为静态标准十二导联监测和动态心电监测。
受限于现在的医疗资源，难以对每个患者都实现一年365天的实时监护。可是急性心肌梗死存在突发性，实现实时监护才能及时发现疾病并治疗疾病，同时便携式心电监护仪出于轻便，续航等方面的考虑，一般导联通道数量是有限的，而医院一般以标准十二导联心电图作为判图诊断的基础，这就产生了便携设计与临床意义不足的矛盾。在当今医工结合的背景下，我们如何利用计算机强大的数据处理能力及人工智能领域的相关数据处理方法去探究便携式心电监测和临床诊断实现导联互通的方法，从而提升便携式心电监护仪的实用性是我们亟待解决的问题。
发明内容
本发明提出应用于实时心电监测设备的心肌梗死全局导联重建方法，能实现便携式心电监测和临床诊断导联互通，进而提升便携式心电监护仪实用性。
本发明采用以下技术方案。
应用于实时心电监测设备的心肌梗死全局导联重建方法，包括以下步骤：
步骤S1：对心肌梗死心电信号数据集和健康对照心电信号数据集进行数据预处理；
步骤S2：对步骤S1中处理好的心电数据集P1进行各导联主成分分析，绘制方差贡献率图，实现最高贡献度导联决策，结合动态监护设备电极需求，确定重建导联组；
步骤S3：滤除导联组原始数据的冗余信息，对心肌梗死和健康对照心电数据进行非线性卷积预分类处理，提高导联重建算法效果；
步骤S4：对导联重建算法进行基于物理实际的设计，拟合导联之间的转换关系；
步骤S5：以卷积神经网络作为导联重建模型框架，进行网络结构优化和参数设置；
步骤S6：基于优化后的网络，分别构建针对心肌梗死和健康对照的全局导联重建模型，并通过均方根误差(Root Mean Square Error，RMSE)和相关系数(CorrelationCoefficient，CC)等评价验证导联重建前后状态差异。
步骤S1具体为：
步骤S11：使用Mallat算法对原始信号进行离散小波分解，将原始信号通过低通滤波器和高通滤波器进行滤波，得到低频部分和高频部分的信号；具体为：首先，将低频部分信号进行下采样，得到一半长度的新信号，该信号表示原信号的低频部分；其次，将高频部分信号进行下采样，得到一半长度的新信号，该信号表示原信号的高频部分，同时将得到的新信号作为输入信号，最后重复以上步骤，直到得到预设的层数为止；通过离散小波分解方式，得到一组低频部分和高频部分信号的小波系数设置分解层数为八层；选择db6小波，尺度函数φ(x)和低通滤波器系数h0、h1、h2、h3、h4、h5表达式如下：
基于上述尺度函数和低通滤波器系数，计算Daubechies小波的小波基函数；
低通小波基函数ψlow(x)和高通小波基函数ψhigh(x)计算公式如下：
在小波分析中，把每层的分解过程看作是目标信号与低通小波基函数和高通小波基函数的卷积运算，然后对结果，进行下采样，得到信号低频部分系数aj-1(n)和信号高频部分系数dj-1(n)，其计算公式如下：
其中，xj(k)表示第j层分解后的信号。本实施例所采用心电信号中的高频噪声主要集中出现在D1尺度，低频基线漂移噪声集中在A8尺度，D5尺度与D6尺度包含绝大部分心电信号；
步骤S12：采用第二、第三、第四、第五、第六、第七层细节系数进行小波重构，将含有噪声的第一、第八层细节系数全部置零，以获得滤除噪声的心电信号；
步骤S13：采用多相滤波器实现心电信号降采样，对不同频率范围的输入信号进行对应的滤波处理、高频成分去除、固定间隔抽取操作，得到降采样后信号。
步骤S2具体为：
步骤S21：对十二导联进行主成分分析，确定十二导联中有效程度最高的导联，通过线性变换法将更高维空间的原始数据投影映射到低维空间上，降低冗余度，在数据降维的过程中提取出原始数据最有效的信息；每个导联作为一个数据维度；将m条n维的数据组合成矩阵Xm×n；
步骤S22：将矩阵Xm×n进行零均值化，即每行都减去此行的均值，得到矩阵Y；
步骤S23：计算Y对应的协方差矩阵：
C＝(1/m)*YYT
步骤S24：计算得出C的特征值a以及特征向量A；
步骤S25：将特征向量矩阵A按照与其所对应矩阵的特征值大小顺序从上到下依次排序表示成新的矩阵，取其中前k(k≤n)行构成矩阵P；
步骤S26：绘制方差贡献图，根据结果选择I，II，V1三组导联作为已知导联。
步骤S26采用含五个电极的便携式移动监护设备，其已知导联为I、II导联加上一个胸导联。
步骤S3具体为：
步骤S31：在数据进行导联重建之前对数据进行预分类，将预处理后的心电信号输入到第一级网络，输入矩阵通道数为3、长度为1000的序列；
步骤S32：卷积层对输入向量特征进行提取，激活层对网络进行非线性变化，通过两次卷积和归一化操作后，输出的特征向量进入最大池化层实现降采样操作，重复x次上述操作；在越深的网络使用越小的卷积核以提取更加细微的信息，同时增加卷积核的数量以提升通道数；每次卷积运算结束之后将数据放入归一化层进行处理，使数据在短期内迅速收敛分布于合理的区间范围内，加快网络迭代速度；
步骤S33：将特征向量输入到全连接层中，最终网络输出心肌梗死信号和正常心电信号两类分类结果。
步骤S4具体为：
步骤S41：对导联投影轴和心电向量环的关系进行数学分析，通过计算二者点积的方式分别获取I、II、V1导联的实时电压值；具体为：
对预分类后的心肌梗死心电数据和健康对照心电数据，基于物理实际设计导联重建算法；拟合导联之间的转换关系，通过I、II、V1导联心电数据重建III、aVL、aVF、aVR、V2、V3、V4、V5、V6导联心电数据，构成完整的十二导联心电图；心电向量环按P环、QRS环、T环顺序运动，代表不同时刻的综合心电向量。计算三个时刻心电向量与导联向量的点积，获取当前时刻的I导联电压值GI、II导联电压值GII、V1导联电压值计算心电向量环与投影轴/>的点积，得到I导联电压值GI；计算心电向量环与投影轴/>的点积，得到II导联电压值GII；计算心电向量环与投影轴/>的点积，得到V1导联电压值/>
步骤S42：将导联重建问题简化为已知和待求导联轴的数学关系；具体为：绘制十二导联投影轴球面模型，得到I、II、V1导联投影轴之间存在近似正交的关系，通过I、II导联心电数据计算III、aVL、aVF、aVR导联心电数据；使用卷积神经网络拟合已知I、II、V1导联投影轴与待求V2、V3、V4、V5、V6导联投影轴的数学关系，建立全局非线性模型，依据人体差异调整已知I、II、V1导联的权重参数，
采用卷积神经网络拟合导联轴之间的转换关系，建立全局非线性模型，依据个体差异调整权重参数，基于步骤S41提出办法，搭建导联重建算法公式，计算V2、V3、V4、V5、V6导联心电数据；
其中y(tn)为待求导联在tn时刻的电压值，xI(tn)、xII(tn)和为已知导联在tn时刻的电压值；fcnn为所使用的卷积神经网络结构。
步骤S5具体为：
步骤S51：初步构建用于实现导联重建的卷积神经网络模型框架，应用均方误差损失函数、ReLU激活函数以及Dropout策略，将数据集P1划分为训练集S1和测试集S2，其中训练集S1和测试集S2的比例约为7：3；在训练过程中，将模型训练集S1的20％作为独立验证集S3用于交叉验证；
步骤S52：将训练集S1送入初始模型，使用早停法控制网络迭代次数，基于网格搜索法进行参数寻优，寻优范围包括优化器、学习率、Batch size和Dropout比例。
步骤S51中，以卷积神经网络作为基础框架，设计全局导联重建模型；以心肌梗死患者的V2导联重建模型model1，设计卷积神经网络结构；通过激活函数使得网络具备非线性特质，加强网络学习能力，并能够对复杂函数进行模拟，使用ReLU函数作为激活函数，ReLU函数放置于卷积层和池化层之后；ReLU激活函数的公式如下：
f(x)＝max(0，x)
导联重建模型基于一维卷积神经网络，构建非线性回归网络，在输入层与卷积层之间放入一个全连接层，该全连接层的神经元数目设置为16～18，并加入ReLU激活函数提供非线性变化。对数据进行2～3次卷积池化操作实现特征提取，每次卷积操作前都降低卷积核大小，同时提升卷积核数量以增加特征通道数；加入Dropout层防止模型过拟合；在输出层采用全局池化层对多通道信息进行一维化操作，减少参数量的同时保证网络模型性能；输出单元表示V2导联电压实时预测值；
在模型的训练过程中，将模型训练集S1的20％作为独立验证集S3用于交叉验证，评价模型训练成效。应用均方误差损失函数，其表达式如下：
其中n为输出样本的维度，为预测值第i维的值，yi为真实值第i维的值。均方误差损失函数评价了预测值与真实值之间差异，当预测值与真实值差异很大时损失函数就会很大，同时获得更大的梯度以加快模型训练；
步骤S52中，将训练集S1的一部分设置为验证集S3，每次训练迭代后在验证集S3上进行测试，每次迭代记录验证集S3的误差，当验证集S3的误差不再改变时保存网络模型的权重，从而有效控制网络迭代次数，在防止过拟合的同时保存效果最好的模型；使用网格搜索法对网络训练过程中的部分超参数进行参数调优，包括优化器、学习率、Batch Size以及Dropout比例；经过网格搜索，最终选择具有较强鲁棒性的Adam优化器、大小为0.01的学习率、每批次训练数据量为512的Batch Size，以及0.5的Dropout随机失活比例，在此基础上，网络模型获得最佳性能，实现网络结构优化。
步骤S6具体为：
步骤S61：基于一维卷积神经网络，针对心肌梗死和健康对照分别构建5个导联重建模型，其中模型model1、model2、model3、model4、model5对应心肌梗死心电的V2、V3、V4、V5、V6导联，模型model6、model7、model8、model9、model10对应健康对照心电的V2、V3、V4、V5、V6导联；
步骤S62：使用均方根误差和相关系数等作为导联重建效果指标，进行卷积层数对比实验，确定网络卷积层层数；最终导联信号的形态性能取决于model1、model2、model3、model4、model5、model6、model7、model8、model9、model10共10个模型对原始导联组的重构能力。
步骤S61中，针对心肌梗死和健康对照人群构建导联重建模型，每种导联重建模型分别对V2、V3、V4、V5、V6导联进行重建，共计设计10个导联重建模型；其中模型model1、model2、model3、model4、model5对应心肌梗死心电的V2、V3、V4、V5、V6导联，模型model6、model7、model8、model9、model10对应健康对照心电的V2、V3、V4、V5、V6导联；模型model2、model3、model4、model5、model6、model7、model8、model9、model10对应的导联重建模型网络结构设置和参数优化方式与model1一致；
步骤S62中，使用均方根误差和相关系数评价导联重建前后波形的差异度；均方根误差用于展示两组信号对应采样点之间的差异，其公式如下所示：
其中Xi和Yi分别表示原始的心电信号在第i点的电压幅值和重建的心电信号在第i点的电压幅值，n为每笔信号的采样点的个数；
相关系数用于展示两个波形之间形态上的差异，当两个波形变化趋势一致时相关系数趋近于1，相关系数的值域为(0，1)，其公式为：
经过预分类的验证集数据分别送入对应类别的导联重建网络，设置四个等级的卷积层数，将均方根误差和相关系数作为导联重建效果指标，进行卷积层数对比实验，分别确定适合于心肌梗死导联重建模型和健康对照导联重建模型的卷积层数目。
本发明涉及一种应用于实时心电监测设备的心肌梗死全局导联重建方法，实现凭借已知导联组构建其余未知导联形态的效果，提高实时监测心肌梗死的准确率。其中主要技术包括：(1)对心肌梗死心电信号数据集和健康对照心电信号数据集进行数据预处理，对处理好的心电数据集进行各导联主成分分析，确定重建导联组；(2)对原始数据的冗余信息进行滤除得到重建导联组心电数据，并进行预分类处理，对导联重建算法进行基于物理实际的设计；(3)以卷积神经网络作为导联重建模型框架，进行网络结构优化和参数设置，基于优化后的网络，分别构建针对心肌梗死和健康对照的全局导联重建模型，并评价导联重建效果；与现有技术相比，具有以下优点：
1、与现有技术相比，进行全局导联重建模型研究，以导联转换之间的数学关系为指导构建卷积神经网络，分析心肌梗死临床心电图特征提出评价导联重建效果性能指标，证明了具有两级卷积神经网络的导联重建模型具有可行性，弥补了便携式动态心电监护仪导联数量有限的不足。
2、现有技术大多是训练集与测试集为同一批人的导联重建算法，仅适用于病人已采集过标准十二导联的情况，本专利自主建立并优化模型，在选定重建导联组的基础上，研究出了能够搭载于便携式移动动态心电监护仪的心肌梗死和健康对照全局导联重建模型，并且基于模型训练，对重构导联信号与真实信号的一致性也有保障。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
附图1是本发明实施例的方法流程示意图；
附图2是本发明实施例的全局导联重建模型流程示意图。
具体实施方式
下面将参照附图更详细地描述本专利方法的具体实施细节。附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如图所示，应用于实时心电监测设备的心肌梗死全局导联重建方法，包括以下步骤：
步骤S1：对心肌梗死心电信号数据集和健康对照心电信号数据集进行数据预处理；
步骤S2：对步骤S1中处理好的心电数据集P1进行各导联主成分分析，绘制方差贡献率图，实现最高贡献度导联决策，结合动态监护设备电极需求，确定重建导联组；
步骤S3：滤除导联组原始数据的冗余信息，对心肌梗死和健康对照心电数据进行非线性卷积预分类处理，提高导联重建算法效果；
步骤S4：对导联重建算法进行基于物理实际的设计，拟合导联之间的转换关系；
步骤S5：以卷积神经网络作为导联重建模型框架，进行网络结构优化和参数设置；
步骤S6：基于优化后的网络，分别构建针对心肌梗死和健康对照的全局导联重建模型，并通过均方根误差(Root Mean Square Error，RMSE)和相关系数(CorrelationCoefficient，CC)等评价验证导联重建前后状态差异。
步骤S1具体为：
步骤S11：使用Mallat算法对原始信号进行离散小波分解，将原始信号通过低通滤波器和高通滤波器进行滤波，得到低频部分和高频部分的信号；具体为：首先，将低频部分信号进行下采样，得到一半长度的新信号，该信号表示原信号的低频部分；其次，将高频部分信号进行下采样，得到一半长度的新信号，该信号表示原信号的高频部分，同时将得到的新信号作为输入信号，最后重复以上步骤，直到得到预设的层数为止；通过离散小波分解方式，得到一组低频部分和高频部分信号的小波系数设置分解层数为八层；选择db6小波，尺度函数φ(x)和低通滤波器系数h0、h1、h2、h3、h4、h5表达式如下：
基于上述尺度函数和低通滤波器系数，计算Daubechies小波的小波基函数；低通小波基函数ψlow(x)和高通小波基函数ψhigh(x)计算公式如下：
在小波分析中，把每层的分解过程看作是目标信号与低通小波基函数和高通小波基函数的卷积运算，然后对结果，进行下采样，得到信号低频部分系数aj-1(n)和信号高频部分系数dj-1(n)，其计算公式如下：
其中，xj(k)表示第j层分解后的信号。本实施例所采用心电信号中的高频噪声主要集中出现在D1尺度，低频基线漂移噪声集中在A8尺度，D5尺度与D6尺度包含绝大部分心电信号；
步骤S12：采用第二、第三、第四、第五、第六、第七层细节系数进行小波重构，将含有噪声的第一、第八层细节系数全部置零，以获得滤除噪声的心电信号；
步骤S13：采用多相滤波器实现心电信号降采样，对不同频率范围的输入信号进行对应的滤波处理、高频成分去除、固定间隔抽取操作，得到降采样后信号。
步骤S2具体为：
步骤S21：对十二导联进行主成分分析，确定十二导联中有效程度最高的导联，通过线性变换法将更高维空间的原始数据投影映射到低维空间上，降低冗余度，在数据降维的过程中提取出原始数据最有效的信息；每个导联作为一个数据维度；将m条n维的数据组合成矩阵Xm×n；
步骤S22：将矩阵Xm×n进行零均值化，即每行都减去此行的均值，得到矩阵Y；
步骤S23：计算Y对应的协方差矩阵：
C＝(1/m)*YYT
步骤S24：计算得出C的特征值a以及特征向量A；
步骤S25：将特征向量矩阵A按照与其所对应矩阵的特征值大小顺序从上到下依次排序表示成新的矩阵，取其中前k(k≤n)行构成矩阵P；
步骤S26：绘制方差贡献图，根据结果选择I，II，V1三组导联作为已知导联。
步骤S26采用含五个电极的便携式移动监护设备，其已知导联为I、II导联加上一个胸导联。
步骤S3具体为：
步骤S31：在数据进行导联重建之前对数据进行预分类，将预处理后的心电信号输入到第一级网络，输入矩阵通道数为3、长度为1000的序列；
步骤S32：卷积层对输入向量特征进行提取，激活层对网络进行非线性变化，通过两次卷积和归一化操作后，输出的特征向量进入最大池化层实现降采样操作，重复x次上述操作；在越深的网络使用越小的卷积核以提取更加细微的信息，同时增加卷积核的数量以提升通道数；每次卷积运算结束之后将数据放入归一化层进行处理，使数据在短期内迅速收敛分布于合理的区间范围内，加快网络迭代速度；
步骤S33：将特征向量输入到全连接层中，最终网络输出心肌梗死信号和正常心电信号两类分类结果。
步骤S4具体为：
步骤S41：对导联投影轴和心电向量环的关系进行数学分析，通过计算二者点积的方式分别获取I、II、V1导联的实时电压值；具体为：
对预分类后的心肌梗死心电数据和健康对照心电数据，基于物理实际设计导联重建算法；拟合导联之间的转换关系，通过I、II、V1导联心电数据重建III、aVL、aVF、aVR、V2、V3、V4、V5、V6导联心电数据，构成完整的十二导联心电图；心电向量环按P环、QRS环、T环顺序运动，代表不同时刻的综合心电向量。计算三个时刻心电向量与导联向量的点积，获取当前时刻的I导联电压值GI、II导联电压值GII、V1导联电压值计算心电向量环与投影轴的点积，得到I导联电压值GI；计算心电向量环与投影轴/>的点积，得到II导联电压值GII；计算心电向量环与投影轴/>的点积，得到V1导联电压值/>
步骤S42：将导联重建问题简化为已知和待求导联轴的数学关系；具体为：绘制十二导联投影轴球面模型，得到I、II、V1导联投影轴之间存在近似正交的关系，通过I、II导联心电数据计算III、aVL、aVF、aVR导联心电数据；使用卷积神经网络拟合已知I、II、V1导联投影轴与待求V2、V3、V4、V5、V6导联投影轴的数学关系，建立全局非线性模型，依据人体差异调整已知I、II、V1导联的权重参数，
采用卷积神经网络拟合导联轴之间的转换关系，建立全局非线性模型，依据个体差异调整权重参数，基于步骤S41提出办法，搭建导联重建算法公式，计算V2、V3、V4、V5、V6导联心电数据；
其中y(tn)为待求导联在tn时刻的电压值，xI(tn)、xII(tn)和为已知导联在tn时刻的电压值；fcnn为所使用的卷积神经网络结构。
步骤S5具体为：
步骤S51：初步构建用于实现导联重建的卷积神经网络模型框架，应用均方误差损失函数、ReLU激活函数以及Dropout策略，将数据集P1划分为训练集S1和测试集S2，其中训练集S1和测试集S2的比例约为7：3；在训练过程中，将模型训练集S1的20％作为独立验证集S3用于交叉验证；
步骤S52：将训练集S1送入初始模型，使用早停法控制网络迭代次数，基于网格搜索法进行参数寻优，寻优范围包括优化器、学习率、Batch size和Dropout比例。
步骤S51中，以卷积神经网络作为基础框架，设计全局导联重建模型；以心肌梗死患者的V2导联重建模型model1，设计卷积神经网络结构；通过激活函数使得网络具备非线性特质，加强网络学习能力，并能够对复杂函数进行模拟，使用ReLU函数作为激活函数，ReLU函数放置于卷积层和池化层之后；ReLU激活函数的公式如下：
f(x)＝max(0，x)
导联重建模型基于一维卷积神经网络，构建非线性回归网络，在输入层与卷积层之间放入一个全连接层，该全连接层的神经元数目设置为16～18，并加入ReLU激活函数提供非线性变化。对数据进行2～3次卷积池化操作实现特征提取，每次卷积操作前都降低卷积核大小，同时提升卷积核数量以增加特征通道数；加入Dropout层防止模型过拟合；在输出层采用全局池化层对多通道信息进行一维化操作，减少参数量的同时保证网络模型性能；输出单元表示V2导联电压实时预测值；
在模型的训练过程中，将模型训练集S1的20％作为独立验证集S3用于交叉验证，评价模型训练成效。应用均方误差损失函数，其表达式如下：
其中n为输出样本的维度，为预测值第i维的值，yi为真实值第i维的值。均方误差损失函数评价了预测值与真实值之间差异，当预测值与真实值差异很大时损失函数就会很大，同时获得更大的梯度以加快模型训练；
步骤S52中，将训练集S1的一部分设置为验证集S3，每次训练迭代后在验证集S3上进行测试，每次迭代记录验证集S3的误差，当验证集S3的误差不再改变时保存网络模型的权重，从而有效控制网络迭代次数，在防止过拟合的同时保存效果最好的模型；使用网格搜索法对网络训练过程中的部分超参数进行参数调优，包括优化器、学习率、Batch Size以及Dropout比例；经过网格搜索，最终选择具有较强鲁棒性的Adam优化器、大小为0.01的学习率、每批次训练数据量为512的Batch Size，以及0.5的Dropout随机失活比例，在此基础上，网络模型获得最佳性能，实现网络结构优化。
步骤S6具体为：
步骤S61：基于一维卷积神经网络，针对心肌梗死和健康对照分别构建5个导联重建模型，其中模型model1、model2、model3、model4、model5对应心肌梗死心电的V2、V3、V4、V5、V6导联，模型model6、model7、model8、model9、model10对应健康对照心电的V2、V3、V4、V5、V6导联；
步骤S62：使用均方根误差和相关系数等作为导联重建效果指标，进行卷积层数对比实验，确定网络卷积层层数；最终导联信号的形态性能取决于model1、model2、model3、model4、model5、model6、model7、model8、model9、model 10共10个模型对原始导联组的重构能力。
步骤S61中，针对心肌梗死和健康对照人群构建导联重建模型，每种导联重建模型分别对V2、V3、V4、V5、V6导联进行重建，共计设计10个导联重建模型；其中模型model1、model2、model3、model4、model5对应心肌梗死心电的V2、V3、V4、V5、V6导联，模型model6、model7、model8、model9、model10对应健康对照心电的V2、V3、V4、V5、V6导联；模型model2、model3、model4、model5、model6、model7、model8、model9、model10对应的导联重建模型网络结构设置和参数优化方式与model1一致；
步骤S62中，使用均方根误差和相关系数评价导联重建前后波形的差异度；均方根误差用于展示两组信号对应采样点之间的差异，其公式如下所示：
其中Xi和Yi分别表示原始的心电信号在第i点的电压幅值和重建的心电信号在第i点的电压幅值，n为每笔信号的采样点的个数；
相关系数用于展示两个波形之间形态上的差异，当两个波形变化趋势一致时相关系数趋近于1，相关系数的值域为(0，1)，其公式为：
经过预分类的验证集数据分别送入对应类别的导联重建网络，设置四个等级的卷积层数，将均方根误差和相关系数作为导联重建效果指标，进行卷积层数对比实验，分别确定适合于心肌梗死导联重建模型和健康对照导联重建模型的卷积层数目。
实施例：
参照图1所示，本例提供一种应用于实时心电监测设备的心肌梗死全局导联重建方法，包括：数据预处理、主成分分析和重建导联组选择、卷积预分类处理、导联重建算法设计、全局导联重建模型构建和参数寻优及最后的导联重建效果评价；
所述数据预处理具体为：
从PTB心电诊断数据库(PTB Diagnostic ECG Database)获取心电数据，从中选取80条心肌梗死心电记录和80条健康对照心电记录共计160条记录，组成数据库P1，其中每条记录包含16个输入通道，采样率为1000Hz，记录的持续时间为1～2分钟。将每条记录切割成10秒的片段。将数据库P1划分为训练集S1和测试集S2，训练集S1包含64条心肌梗死心电数据和64条健康对照心电数据；测试集S2包含16条心肌梗死心电数据和16条健康对照心电数据。训练集S1与测试集S2之间患者数据独立不交叉。
使用Mallat算法对原始心电信号进行离散小波分解，将原始信号通过低通滤波器和高通滤波器进行滤波，得到低频部分和高频部分的信号。首先，将低频部分信号进行下采样，得到一半长度的新信号，该信号表示原信号的低频部分；其次，将高频部分信号进行下采样，得到一半长度的新信号，该信号表示原信号的高频部分，同时将得到的新信号作为输入信号，最后重复以上步骤，直到得到预设的层数为止。通过离散小波分解方式，得到一组低频部分和高频部分信号的小波系数。选择db6小波函数，设置分解层数为八层，尺度函数φ(x)和低通滤波器系数h0、h1、h2、h3、h4、h5表达式如下：
基于尺度函数和低通滤波器系数计算小波基函数，低通小波基函数ψlow(x)和高通小波基函数ψhigh(x)计算公式如下：
在小波分析中，每层的分解过程可以看作是目标信号与低通小波基函数和高通小波基函数的卷积运算，然后对结果，进行下采样，得到信号低频部分系数aj-1(n)和信号高频部分系数dj-1(n)，其计算公式如下：
其中，xj(k)表示第j层分解后的信号。本实施例所采用心电信号中的高频噪声主要集中出现在D1尺度，低频基线漂移噪声集中在A8尺度，D5尺度与D6尺度包含绝大部分心电信号。因此本实施例使用第二、第三、第四、第五、第六、第七层细节系数进行小波重构，将含有噪声的第一、第八层细节系数全部置零，以获得滤除噪声的心电信号。
采用多相滤波器实现心电信号降采样，对不同频率范围的输入信号进行对应的滤波处理、高频成分去除、固定间隔抽取操作，得到降采样后信号。
所述主成分分析和重建导联组选择具体为：
采用主成分分析(Principal Component Analysis，PCA)方法确定十二导联中有效程度最高的导联，通过线性变换法将更高维空间的原始数据投影映射到低维空间上，降低冗余度，在数据降维的过程中提取出原始数据最有效的信息。具体的主成分分析方法步骤包括：把每个导联作为一个数据维度，将m条n维的数据组合成矩阵Xm×n；将矩阵Xm×n进行零均值化，即每行都要减去此行的均值，得到矩阵Y；计算Y对应的协方差矩阵C，表达式如下：
C＝(1/m)*YYT
得到协方差矩阵C后，计算得出C的特征值a以及特征向量A；将特征向量矩阵A按照与其所对应矩阵的特征值大小顺序从上到下依次排序表示成新的矩阵，取其中前l(l≤n)行构成矩阵P；绘制得到方差贡献率图，当导联数量k取值为4时，降维后的数据就可以贡献将近99％的信息，而前三个主成分已经贡献了98％的信息。由于III、aVL、aVF、aVR四个导联可以通过I、II导联数据计算获得，同时大部分便携式移动监护设备一般由五个电极组成，因此选择I、II导联加上一个胸导联作为已知导联最为合适。综上所述，选定I、II、V1三个导联作为已知导联组进行导联重建。
所述卷积预分类处理具体为：
为提高导联重建算法效果，基于一维卷积神经网络，在对心电信号数据进行导联重建之前，对预处理完成后的心电信号进行预分类。网络的输入矩阵是通道数为3、长度为1000的序列，使用的卷积核大小由大到小，逐步对信号进行卷积，在越深的网络层中使用越小的卷积核以提取更为细微的信息。每次卷积运算结束之后将数据放入归一化层进行处理，使数据在短期内迅速收敛分布于合理的区间范围内，加快网络迭代速度。
通过两次卷积和归一化操作后，输出的特征向量进入最大池化层实现降采样操作，重复x次上述操作。随着网络不断加深，增加卷积核的数量以增加通道的数量，与此同时各个通道的数据不断减小，更加关注于细微的信息。最后网络中提取出的多通道特征信号经过全连接层映射到输出层，获得心肌梗死和健康对照两种分类结果。
采用交叉验证的方法，使用训练集S1对基于一维卷积神经网络的预分类模型进行训练，将测试集S2的数据放入经过训练的预分类模型中，根据准确率、灵敏度、特异度三个指标评估模型性能，选择最优预分类模型。
所述导联重建算法设计具体为：
对预分类后的心肌梗死心电数据和健康对照心电数据，基于物理实际设计导联重建算法。拟合导联之间的转换关系，通过I、II、V1导联心电数据重建III、aVL、aVF、aVR、V2、V3、V4、V5、V6导联心电数据，构成完整的十二导联心电图。心电向量环按P环、QRS环、T环顺序运动，代表不同时刻的综合心电向量。计算三个时刻心电向量与导联向量的点积，获取当前时刻的I导联电压值GI、II导联电压值GII、V1导联电压值计算心电向量环与投影轴的点积，得到I导联电压值GI；计算心电向量环与投影轴/>的点积，得到II导联电压值GII；计算心电向量环与投影轴/>的点积，得到V1导联电压值/>
绘制十二导联投影轴球面模型，得到I、II、V1导联投影轴之间存在近似正交的关系，通过I、II导联心电数据计算III、aVL、aVF、aVR导联心电数据。使用卷积神经网络拟合已知I、II、V1导联投影轴与待求V2、V3、V4、V5、V6导联投影轴的数学关系，建立全局非线性模型，依据人体差异调整已知I、II、V1导联的权重参数，搭建如下所示的导联重建算法公式，计算V2、V3、V4、V5、V6导联心电数据：
其中y(tn)为待求导联在tn时刻的电压值，xI(tn)、xII(tn)和为已知导联在tn时刻的电压值。fcnn为所使用的卷积神经网络结构。
所述全局导联重建模型构建和参数寻优具体为：
以卷积神经网络作为基础框架，设计全局导联重建模型。以心肌梗死患者的V2导联重建模型model1为例，设计卷积神经网络结构。激活函数使得网络具备非线性特质，加强网络学习能力，能够对复杂函数进行模拟，ReLU激活函数的公式如下：
f(x)＝max(0，x)
ReLU激活函数不会受到输入的极端值影响，即过大或过小的梯度都不会完全消失，有效解决梯度消失问题；同时ReLU激活函数具有形式简单、梯度固定的优点，有利于网络的收敛以及收敛速度的提升。本实施例使用ReLU函数作为激活函数，ReLU函数放置于卷积层和池化层之后。
Dropout方法通过在每次模型训练过程中将一部分中间节点置零，更改神经元个数，完成构建新的神经网络，以达到降低网络模型因参数设置不合理强行拟合输入数据的程度，从而提高网络整体性能。本实施例导联重建模型中运用Dropout策略对中间层节点进行随机失活以达到防止过拟合的目的。
本实施例基于一维卷积神经网络，构建非线性回归网络。在输入层与卷积层之间放入一个全连接层，该全连接层的神经元数目设置为16～18，并加入ReLU激活函数提供非线性变化。对数据进行2～3次卷积池化操作实现特征提取，每次卷积操作前都降低卷积核大小，同时提升卷积核数量以增加特征通道数。加入Dropout层防止模型过拟合。在输出层采用全局池化层对多通道信息进行一维化操作，减少参数量的同时保证网络模型性能。输出单元表示V2导联电压实时预测值。
在模型的训练过程中，将模型训练集S1的20％作为独立验证集S3用于交叉验证，评价模型训练成效。应用均方误差损失函数，其表达式如下：
其中n为输出样本的维度，为预测值第i维的值，yi为真实值第i维的值。均方误差损失函数评价了预测值与真实值之间差异，当预测值与真实值差异很大时损失函数就会很大，同时获得更大的梯度以加快模型训练。
使用早停法作为模型训练的策略，将训练集S1的一部分设置为验证集S3，每次训练迭代后在验证集S3上进行测试，每次迭代记录验证集S3的误差，当验证集S3的误差不再改变时保存网络模型的权重，从而有效控制网络迭代次数，在防止过拟合的同时保存效果最好的模型。
网格搜索法是指将待优化参数值在一定范围进行穷举获得结果，通过比较结果获得最优参数值的方法。本实施例使用网格搜索法对网络训练过程中的部分超参数进行参数调优，包括优化器、学习率、Batch Size以及Dropout比例。经过网格搜索，最终选择具有较强鲁棒性的Adam优化器、大小为0.01的学习率、每批次训练数据量为512的Batch Size，以及0.5的Dropout随机失活比例，在此基础上，网络模型获得最佳性能，实现网络结构优化。
所述导联重建效果评价具体为：
为提高导联重建精度，本实施例基于优化后的一维卷积神经网络，分别针对心肌梗死和健康对照人群构建导联重建模型，每种导联重建模型分别对V2、V3、V4、V5、V6导联进行重建，共计设计10个导联重建模型。其中模型model1、model2、model3、model4、model5对应心肌梗死心电的V2、V3、V4、V5、V6导联，模型model6、model7、model8、model9、model10对应健康对照心电的V2、V3、V4、V5、V6导联。模型model2、model3、model4、model5、model6、model7、model8、model9、model10对应的导联重建模型网络结构设置和参数优化方式与modell一致。
使用均方根误差和相关系数评价导联重建前后波形的差异度。均方根误差可以展示两组信号对应采样点之间的差异，其公式如下所示：
其中Xi和Yi分别表示原始的心电信号在第i点的电压幅值和重建的心电信号在第i点的电压幅值，n为每笔信号的采样点的个数。
相关系数可以展示两个波形之间形态上的差异，当两个波形变化趋势一致时相关系数趋近于1，相关系数的值域为(0，1)，其公式为：
本实施例中所使用的心电序列是较为简单的时间序列，因此卷积神经网络层数过多并不一定合适。将经过预分类的验证集数据分别送入对应类别的导联重建网络，设置四个等级的卷积层数，将均方根误差和相关系数作为导联重建效果指标，进行卷积层数对比实验，分别确定适合于心肌梗死导联重建模型和健康对照导联重建模型的卷积层数目。
对不同卷积层数的心肌梗死导联重建模型重建结果的均方根误差情况进行比较，其中心肌梗死六层卷积模型重建结果的均方根误差达0.224，为所有模型中最高值，心肌梗死二层卷积模型重建结果的均方根误差为0.101，经过对比放弃较多层数的导联重建方案。分析整体实验结果得到，二层卷积模型整体均方根误差值为0.078，模型效果最优。
对不同卷积层数的心肌梗死导联重建模型重建结果的相关系数情况进行比较，分析整体实验结果得到，二层卷积模型整体相关系数为0.937，使得导联重建模型具有最大的相关系数值。通过均方根误差和相关系数两种指标评价，确定心肌梗死导联重建模型的最佳卷积层数为二层。
参照上述方法对不同卷积层数的健康对照导联重建模型重建结果的均方根误差和相关系数情况进行比较。分析整体实验结果得到，二层卷积模型整体均方根误差值为0.078，整体相关系数为0.951，模型效果最优。
确定心肌梗死导联重建模型和健康对照导联重建模的网络卷积层数目后，导联重建模型整体框架完成。将具备I、II、V1三导联通道的心电信号送入对应类别导联重建模型，获得待求的V2、V3、V4、V5、V6导联心电信号。最终导联信号的形态性能取决于model1、model2、model3、model4、model5、model6、model7、model8、model9、model10共10个模型对原始导联组的重构能力，重建十二导联心电信号对于采集导联数有限的便携式动态心电监护仪提供极大方便，可帮助实现全天候实时心电监测，同时提升心肌梗死疾病的早期预测能力。本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.应用于实时心电监测设备的心肌梗死全局导联重建方法，其特征在于：包括以下步骤：
步骤S1：对心肌梗死心电信号数据集和健康对照心电信号数据集进行数据预处理；
步骤S2：对步骤S1中处理好的心电数据集P1进行各导联主成分分析，绘制方差贡献率图，实现最高贡献度导联决策，结合动态监护设备电极需求，确定重建导联组；
步骤S3：滤除导联组原始数据的冗余信息，对心肌梗死和健康对照心电数据进行非线性卷积预分类处理，提高导联重建算法效果；
步骤S4：对导联重建算法进行基于物理实际的设计，拟合导联之间的转换关系；
步骤S5：以卷积神经网络作为导联重建模型框架，进行网络结构优化和参数设置；
步骤S6：基于优化后的网络，分别构建针对心肌梗死和健康对照的全局导联重建模型，并通过均方根误差RMSE和相关系数CC评价验证导联重建前后状态差异。
2.根据权利要求1所述的应用于实时心电监测设备的心肌梗死全局导联重建方法，其特征在于：步骤S1具体为：
步骤S11：使用Mallat算法对原始信号进行离散小波分解，将原始信号通过低通滤波器和高通滤波器进行滤波，得到低频部分和高频部分的信号；具体为：
首先，将低频部分信号进行下采样，得到一半长度的新信号，该信号表示原信号的低频部分；其次，将高频部分信号进行下采样，得到一半长度的新信号，该信号表示原信号的高频部分，同时将得到的新信号作为输入信号，最后重复以上步骤，直到得到预设的层数为止；通过离散小波分解方式，得到一组低频部分和高频部分信号的小波系数；
设置分解层数为八层；选择db6小波，尺度函数φ(x)和低通滤波器系数h0、h1、h2、h3、h4、h5表达式如下：
基于上述尺度函数和低通滤波器系数，计算Daubechies小波的小波基函数；
低通小波基函数ψlow(x)和高通小波基函数ψhigh(x)计算公式如下：
在小波分析中，把每层的分解过程看作是目标信号与低通小波基函数和高通小波基函数的卷积运算，然后对结果，进行下采样，得到信号低频部分系数aj-1(n)和信号高频部分系数dj-1(n)，其计算公式如下：
其中，xj(k)表示第j层分解后的信号。本实施例所采用心电信号中的高频噪声主要集中出现在D1尺度，低频基线漂移噪声集中在A8尺度，D5尺度与D6尺度包含绝大部分心电信号；
步骤S12：采用第二、第三、第四、第五、第六、第七层细节系数进行小波重构，将含有噪声的第一、第八层细节系数全部置零，以获得滤除噪声的心电信号；
步骤S13：采用多相滤波器实现心电信号降采样，对不同频率范围的输入信号进行对应的滤波处理、高频成分去除、固定间隔抽取操作，得到降采样后信号。
3.根据权利要求1所述的应用于实时心电监测设备的心肌梗死全局导联重建方法，其特征在于：步骤S2具体为：
步骤S21：对十二导联进行主成分分析，确定十二导联中有效程度最高的导联，通过线性变换法将更高维空间的原始数据投影映射到低维空间上，降低冗余度，在数据降维的过程中提取出原始数据最有效的信息；每个导联作为一个数据维度；将m条n维的数据组合成矩阵Xm×n；
步骤S22：将矩阵Xm×n进行零均值化，即每行都减去此行的均值，得到矩阵Y；
步骤S23：计算Y对应的协方差矩阵：
C＝(1/m)*YYT
步骤S24：计算得出C的特征值a以及特征向量A；
步骤S25：将特征向量矩阵A按照与其所对应矩阵的特征值大小顺序从上到下依次排序表示成新的矩阵，取其中前k(k≤n)行构成矩阵P；
步骤S26：绘制方差贡献图，根据结果选择Ⅰ，Ⅱ，V1三组导联作为已知导联。
4.根据权利要求3所述的应用于实时心电监测设备的心肌梗死全局导联重建方法，其特征在于：步骤S26采用含五个电极的便携式移动监护设备，其已知导联为Ⅰ、Ⅱ导联加上一个胸导联。
5.根据权利要求3所述的应用于实时心电监测设备的心肌梗死全局导联重建方法，其特征在于：步骤S3具体为：
步骤S31：在数据进行导联重建之前对数据进行预分类，将预处理后的心电信号输入到第一级网络，输入矩阵通道数为3、长度为1000的序列；
步骤S32：卷积层对输入向量特征进行提取，激活层对网络进行非线性变化，通过两次卷积和归一化操作后，输出的特征向量进入最大池化层实现降采样操作，重复x次上述操作；在越深的网络使用越小的卷积核以提取更加细微的信息，同时增加卷积核的数量以提升通道数；每次卷积运算结束之后将数据放入归一化层进行处理，使数据在短期内迅速收敛分布于合理的区间范围内，加快网络迭代速度；
步骤S33：将特征向量输入到全连接层中，最终网络输出心肌梗死信号和正常心电信号两类分类结果。
6.根据权利要求3所述的应用于实时心电监测设备的心肌梗死全局导联重建方法，其特征在于：步骤S4具体为：
步骤S41：对导联投影轴和心电向量环的关系进行数学分析，通过计算二者点积的方式分别获取Ⅰ、Ⅱ、V1导联的实时电压值；具体为：
对预分类后的心肌梗死心电数据和健康对照心电数据，基于物理实际设计导联重建算法；拟合导联之间的转换关系，通过Ⅰ、Ⅱ、V1导联心电数据重建Ⅲ、aVL、aVF、aVR、V2、V3、V4、V5、V6导联心电数据，构成完整的十二导联心电图；心电向量环按P环、QRS环、T环顺序运动，代表不同时刻的综合心电向量。计算三个时刻心电向量与导联向量的点积，获取当前时刻的Ⅰ导联电压值GI、Ⅱ导联电压值GII、V1导联电压值计算心电向量环与投影轴/>的点积，得到Ⅰ导联电压值GI；计算心电向量环与投影轴/>的点积，得到Ⅱ导联电压值GII；计算心电向量环与投影轴/>的点积，得到V1导联电压值/>
步骤S42：将导联重建问题简化为已知和待求导联轴的数学关系；具体为：
绘制十二导联投影轴球面模型，得到Ⅰ、Ⅱ、V1导联投影轴之间存在近似正交的关系，通过Ⅰ、Ⅱ导联心电数据计算Ⅲ、aVL、aVF、aVR导联心电数据；使用卷积神经网络拟合已知Ⅰ、Ⅱ、V1导联投影轴与待求V2、V3、V4、V5、V6导联投影轴的数学关系，建立全局非线性模型，依据人体差异调整已知Ⅰ、Ⅱ、V1导联的权重参数；
采用卷积神经网络拟合导联轴之间的转换关系，建立全局非线性模型，依据个体差异调整权重参数，基于步骤S41提出办法，搭建导联重建算法公式，计算V2、V3、V4、V5、V6导联心电数据；
其中y(tn)为待求导联在tn时刻的电压值，xI(tn)、xII(tn)和为已知导联在tn时刻的电压值；fcnn为所使用的卷积神经网络结构。
7.根据权利要求1所述的应用于实时心电监测设备的心肌梗死全局导联重建方法，其特征在于：步骤S5具体为：
步骤S51：初步构建用于实现导联重建的卷积神经网络模型框架，应用均方误差损失函数、ReLU激活函数以及Dropout策略，将数据集P1划分为训练集S1和测试集S2，其中训练集S1和测试集S2的比例约为7:3；在训练过程中，将模型训练集S1的20％作为独立验证集S3用于交叉验证；
步骤S52：将训练集S1送入初始模型，使用早停法控制网络迭代次数，基于网格搜索法进行参数寻优，寻优范围包括优化器、学习率、Batchsize和Dropout比例。
8.根据权利要求7所述的应用于实时心电监测设备的心肌梗死全局导联重建方法，其特征在于：步骤S51中，以卷积神经网络作为基础框架，设计全局导联重建模型；以心肌梗死患者的V2导联重建模型model1，设计卷积神经网络结构；通过激活函数使得网络具备非线性特质，加强网络学习能力，并能够对复杂函数进行模拟，使用ReLU函数作为激活函数，ReLU函数放置于卷积层和池化层之后；ReLU激活函数的公式如下：
f(x)＝max(0，x)
导联重建模型基于一维卷积神经网络，构建非线性回归网络，在输入层与卷积层之间放入一个全连接层，该全连接层的神经元数目设置为16～18，并加入ReLU激活函数提供非线性变化。对数据进行2～3次卷积池化操作实现特征提取，每次卷积操作前都降低卷积核大小，同时提升卷积核数量以增加特征通道数；加入Dropout层防止模型过拟合；在输出层采用全局池化层对多通道信息进行一维化操作，减少参数量的同时保证网络模型性能；输出单元表示V2导联电压实时预测值；
在模型的训练过程中，将模型训练集S1的20％作为独立验证集S3用于交叉验证，评价模型训练成效。应用均方误差损失函数，其表达式如下：
其中n为输出样本的维度，为预测值第i维的值，yi为真实值第i维的值。均方误差损失函数评价了预测值与真实值之间差异，当预测值与真实值差异很大时损失函数就会很大，同时获得更大的梯度以加快模型训练；
步骤S52中，将训练集S1的一部分设置为验证集S3，每次训练迭代后在验证集S3上进行测试，每次迭代记录验证集S3的误差，当验证集S3的误差不再改变时保存网络模型的权重，从而有效控制网络迭代次数，在防止过拟合的同时保存效果最好的模型；使用网格搜索法对网络训练过程中的部分超参数进行参数调优，包括优化器、学习率、Batch Size以及Dropout比例；经过网格搜索，最终选择具有较强鲁棒性的Adam优化器、大小为0.01的学习率、每批次训练数据量为512的Batch Size，以及0.5的Dropout随机失活比例，在此基础上，网络模型获得最佳性能，实现网络结构优化。
9.根据权利要求1所述的应用于实时心电监测设备的心肌梗死全局导联重建方法，其特征在于：步骤S6具体为：
步骤S61：基于一维卷积神经网络，针对心肌梗死和健康对照分别构建5个导联重建模型，其中模型model1、model2、model3、model4、model5对应心肌梗死心电的V2、V3、V4、V5、V6导联，模型model6、model7、model8、model9、model10对应健康对照心电的V2、V3、V4、V5、V6导联；
步骤S62：使用均方根误差和相关系数作为导联重建效果指标，进行卷积层数对比实验，确定网络卷积层层数；最终导联信号的形态性能取决于model1、model2、model3、model4、model5、model6、model7、model8、model9、model10共10个模型对原始导联组的重构能力。
10.根据权利要求9所述的应用于实时心电监测设备的心肌梗死全局导联重建方法，其特征在于：步骤S61中，针对心肌梗死和健康对照人群构建导联重建模型，每种导联重建模型分别对V2、V3、V4、V5、V6导联进行重建，共计设计10个导联重建模型；其中模型model1、model2、model3、model4、model5对应心肌梗死心电的V2、V3、V4、V5、V6导联，模型model6、model7、model8、model9、model10对应健康对照心电的V2、V3、V4、V5、V6导联；模型model2、model3、model4、model5、model6、model7、model8、model9、model10对应的导联重建模型网络结构设置和参数优化方式与model1一致；
步骤S62中，使用均方根误差和相关系数评价导联重建前后波形的差异度；均方根误差用于展示两组信号对应采样点之间的差异，其公式如下所示：
其中Xi和Yi分别表示原始的心电信号在第i点的电压幅值和重建的心电信号在第i点的电压幅值，n为每笔信号的采样点的个数；
相关系数用于展示两个波形之间形态上的差异，当两个波形变化趋势一致时相关系数趋近于1，相关系数的值域为(0,1)，其公式为：
经过预分类的验证集数据分别送入对应类别的导联重建网络，设置四个等级的卷积层数，将均方根误差和相关系数作为导联重建效果指标，进行卷积层数对比实验，分别确定适合于心肌梗死导联重建模型和健康对照导联重建模型的卷积层数目。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310888672.XA CN116807491A (zh) | 2023-07-19 | 2023-07-19 | 应用于实时心电监测设备的心肌梗死全局导联重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310888672.XA CN116807491A (zh) | 2023-07-19 | 2023-07-19 | 应用于实时心电监测设备的心肌梗死全局导联重建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116807491A true CN116807491A (zh) | 2023-09-29 |
Family
ID=88116713
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310888672.XA Pending CN116807491A (zh) | 2023-07-19 | 2023-07-19 | 应用于实时心电监测设备的心肌梗死全局导联重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116807491A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117648570A (zh) * | 2024-01-30 | 2024-03-05 | 吉林大学 | 一种基于人工智能的心电监测与数据分析系统 |
-
2023
- 2023-07-19 CN CN202310888672.XA patent/CN116807491A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117648570A (zh) * | 2024-01-30 | 2024-03-05 | 吉林大学 | 一种基于人工智能的心电监测与数据分析系统 |
| CN117648570B (zh) * | 2024-01-30 | 2024-04-12 | 吉林大学 | 一种基于人工智能的心电监测与数据分析系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Chen et al. | Atrial fibrillation detection using a feedforward neural network | |
| 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 | |
| Shoeibi et al. | An overview of deep learning techniques for epileptic seizures detection and prediction based on neuroimaging modalities: Methods, challenges, and future works | |
| Seera et al. | Classification of electrocardiogram and auscultatory blood pressure signals using machine learning models | |
| CN111261289A (zh) | 一种基于人工智能模型的心脏疾病的检测方法 | |
| Musa et al. | A systematic review and Meta-data analysis on the applications of Deep Learning in Electrocardiogram | |
| Jemal et al. | An interpretable deep learning classifier for epileptic seizure prediction using EEG data | |
| CN116782829A (zh) | 用于将生物电信号数据转换为数值向量的方法和装置及利用其分析疾病的方法和装置 | |
| CN116807491A (zh) | 应用于实时心电监测设备的心肌梗死全局导联重建方法 | |
| Daydulo et al. | Cardiac arrhythmia detection using deep learning approach and time frequency representation of ECG signals | |
| CN115881308A (zh) | 基于时空联合检测的心脏疾病分类模型构建方法 | |
| Nsugbe et al. | Intelligence combiner: a combination of deep learning and handcrafted features for an adolescent psychosis prediction using EEG signals | |
| CN116831594A (zh) | 一种基于迭代图卷积神经网络的癫痫脑电分类方法 | |
| Allam et al. | A deformable CNN architecture for predicting clinical acceptability of ECG signal | |
| CN118094317A (zh) | 一种基于TimesNet和卷积神经网络的运动想象脑电信号分类系统 | |
| Neifar et al. | Deep Generative Models for Physiological Signals: A Systematic Literature Review | |
| Haroon | ECG arrhythmia classification Using deep convolution neural networks in transfer learning | |
| EPMoghaddam et al. | Reconstructing 12-lead surface electrocardiogram from reduced lead sets: An encoder-decoder convolutional neural network approach | |
| Pirova et al. | Detecting heart 2 disease symptoms using machine learning methods | |
| CN114569116A (zh) | 基于三通道图像及迁移学习的心冲击图室颤辅助诊断系统 | |
| Banta et al. | A novel convolutional neural network for reconstructing surface electrocardiograms from intracardiac electrograms and vice versa | |
| Zhanquan et al. | ECG signal classification via combining hand-engineered features with deep neural network features | |
| Rajesh et al. | A Silent Cardiac Atrial Fibrillation Detection and Classification using Deep Learning Approach | |
| Odugoudar et al. | Ecg classification system for arrhythmia detection using convolutional neural networks |
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 |