CN117257322B - 一种基于双分支网络的多标签心电信号分类方法 - Google Patents
一种基于双分支网络的多标签心电信号分类方法 Download PDFInfo
- Publication number
- CN117257322B CN117257322B CN202311224273.XA CN202311224273A CN117257322B CN 117257322 B CN117257322 B CN 117257322B CN 202311224273 A CN202311224273 A CN 202311224273A CN 117257322 B CN117257322 B CN 117257322B
- Authority
- CN
- China
- Prior art keywords
- features
- feature
- lead
- convolution
- new
- 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 18
- 238000011176 pooling Methods 0.000 claims description 36
- 230000004927 fusion Effects 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 15
- 230000003044 adaptive effect Effects 0.000 claims description 6
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 3
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 12
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 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
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008569 process 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]
- A61B5/346—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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Cardiology (AREA)
- General Engineering & Computer Science (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于双分支网络的多标签心电信号分类方法,涉及心电信号分类技术领域,构建了一个能够对复杂多标签心电信号进行分类的模型,通过挖掘心电信号中的粗粒度和细粒度特征,并充分利用多导联心电图的多样性,以此有效的提高模型分类的准确率以及在不同数据库之间的泛化能力。
Description
技术领域
本发明涉及心电信号分类技术领域,具体涉及一种基于双分支网络的多标签心电信号分类方法。
背景技术
随着计算机科学的快速发展,以深度神经网络为代表的人工智能技术应用到了社会中的各行各业。利用深度学习技术对心电信号进行分类,已经成为研究的热点之一。但是现有的心电信号检测分类工作,没有充分利用心电信号特征的完整性,常规的深度学习模型在提取特征的过程中回丢失大量的信息,并且心电信号通常为12导联,导联与导联之间的关系也并未考虑。同时,心电信号中通常包含多种类别,不同类别之间仅存在细微的差异,现有的方法在如何更有效的利用心电信号局部特征和全局特征,以提高信号的分类精度方面还有待进一步研究。
发明内容
本发明为了克服以上技术的不足,提供了一种分类精度高的基于双分支网络的多标签心电信号分类方法。
本发明克服其技术问题所采用的技术方案是:
一种基于双分支网络的多标签心电信号分类方法,包括如下步骤:
a)获取多标签心电信号数据;
b)对多标签心电信号数据进行预处理,得到预处理后的心电信号X;
c)建立卷积模块,将预处理后的心电信号X输入到卷积模块中,输出得到特征Xc;
d)将特征Xc分为5组特征,得到第一组特征Xc1、第二组特征Xc2、第三组特征Xc3、第四组特征Xc4、第五组特征Xc5;
e)建立局部特征增强模块,将第一组特征Xc1、第二组特征Xc2、第三组特征Xc3、第四组特征Xc4、第五组特征Xc5输入到局部特征增强模块中,分别得到增强特征X′c1、增强特征X′c2、增强特征X′c3、增强特征X′c4、增强特征X′c5;
f)建立自适应特征选择模块,将增强特征X′c1、增强特征X′c2、增强特征X′c3、增强特征X′c4、增强特征X′c5输入到自适应特征选择模块中,得到局部分支特征Xl;
g)建立全局网络,将特征Xc输入到全局网络中,输出得到全局特征Xg;
h)建立分类模块,将局部分支特征Xl与全局特征Xg输入到分类模块中,得到分类结果。
进一步的,步骤a)中从MIT-BIH数据库中获取多标签心电信号数据。
进一步的,步骤b)中将多标签心电信号数据的长度调整为L个样本点,得到预处理后的心电信号X,X∈RC×L,R为实数空间,C为通道数,通道数与心电信号导联数相同。
优选的,C取值为12,L取值为1000。
进一步的,步骤c)包括如下步骤:
c-1)卷积模块由卷积核大小为25×25的第一卷积层、BN层、ReLU激活函数层、卷积核大小为15×15的第二卷积层构成;
c-2)将预处理后的心电信号X依次输入到卷积模块的第一卷积层中、BN层、ReLU激活函数层中,输出得到特征图X′,X′∈R12×1000;
c-3)将特征图X′输入到卷积模块的第二卷积层中,输出得到特征Xc,Xc∈R12×500。
进一步的,步骤d)包括如下步骤:
d-1)预处理后的心电信号X中的12个导联分别为:导联Ⅰ、导联Ⅱ、导联Ⅲ、导联aVF、导联aVL、导联aVR、导联V1、导联V2、导联V3、导联V4、导联V5、导联V6,导联Ⅰ对应的通道为1,导联Ⅱ对应的通道为2,导联Ⅲ对应的通道为3,导联aVF对应的通道为4,导联aVL对应的通道为5,导联aVR对应的通道为6,导联V1对应的通道为7,导联V2对应的通道为8,导联V3对应的通道为9,导联V4对应的通道为10,导联V5对应的通道为11,导联V6对应的通道为12;
d-2)将导联Ⅰ和导联aVL作为第一组特征Xc1,Xc1∈R2×500,将导联Ⅱ、导联Ⅲ、导联aVF作为第二组特征Xc2,Xc2∈R3×500,将导联aVR作为第三组特征Xc3,Xc3∈R1×500,将导联V1、导联V2、导联V3作为第四组特征Xc4,Xc4∈R3×500,将导联V4、导联V5、导联V6作为第五组特征Xc5,Xc5∈R3×500。
进一步的,步骤e)包括如下步骤:
e-1)局部特征增强模块由第一卷积块、第二卷积块、第三卷积块构成,第一卷积块依次由卷积核大小为11×11的第一卷积层、BN层、ReLU激活函数层、卷积核大小为5×5的第二卷积层构成,第二卷积块依次由卷积核大小为9×9的第一卷积层、BN层、ReLU激活函数层、卷积核大小为5×5的第二卷积层构成,第三卷积块依次由卷积核大小为7×7的第一卷积层、BN层、ReLU激活函数层、卷积核大小为5×5的第二卷积层构成;
e-2)将第一组特征Xc1输入到第一卷积块中,输出得到特征将特征/>与第一组特征Xc1相加操作,得到融合生成新特征/>将融合生成新特征/>输入到第二卷积块中,输出得到特征/>将特征/>与第一组特征Xc1相加操作,得到融合生成新特征将融合生成新特征/>输入到第三卷积块中,输出得到特征/>将特征/>特征/>特征/>相加操作,得到第一组特征Xc1经过局部特征网络获得的增强特征Xc′1;
e-3)将第二组特征Xc2输入到第一卷积块中,输出得到特征将特征/>与第二组特征Xc2相加操作,得到融合生成新特征/>将融合生成新特征/>输入到第二卷积块中,输出得到特征/>将特征/>与第二组特征Xc2相加操作,得到融合生成新特征/>将融合生成新特征/>输入到第三卷积块中,输出得到特征/>将特征特征/>特征/>相加操作,得到第二组特征Xc2经过局部特征网络获得的增强特征X′c2;
e-4)将第三组特征Xc3输入到第一卷积块中,输出得到特征将特征/>与第三组特征Xc3相加操作,得到融合生成新特征/>将融合生成新特征/>输入到第二卷积块中,输出得到特征/>将特征/>与第三组特征Xc3相加操作,得到融合生成新特征将融合生成新特征/>输入到第三卷积块中,输出得到特征/>将特征/>特征/>特征/>相加操作,得到第三组特征Xc3经过局部特征网络获得的增强特征X′c3;
e-5)第四组特征Xc4输入到第一卷积块中,输出得到特征将特征/>与第四组特征Xc4相加操作,得到融合生成新特征/>将融合生成新特征/>输入到第二卷积块中,输出得到特征/>将特征/>与第四组特征Xc4相加操作,得到融合生成新特征将融合生成新特征/>输入到第三卷积块中,输出得到特征/>将特征/>特征/>特征/>相加操作,得到第四组特征Xc4经过局部特征网络获得的增强特征X′c4;
e-6)第五组特征Xc5输入到第一卷积块中,输出得到特征将特征/>与第五组特征Xc5相加操作,得到融合生成新特征/>将融合生成新特征/>输入到第二卷积块中,输出得到特征/>将特征/>与第五组特征Xc5相加操作,得到融合生成新特征将融合生成新特征/>输入到第三卷积块中,输出得到特征/>将特征/>特征/>特征/>相加操作,得到第五组特征Xc5经过局部特征网络获得的增强特征X′c5。
进一步的,步骤f)包括如下步骤:
f-1)自适应特征选择模块由平均池化层、最大池化层、sigmoid函数构成;
f-2)将增强特征X′c1输入到平均池化层中,输出得到新特征X″c1,将增强特征X′c2输入到平均池化层中,输出得到新特征X″c2,将增强特征X′c3输入到平均池化层中,输出得到新特征X″c3,将增强特征X′c4输入到平均池化层中,输出得到新特征X″c4,将增强特征X′c5输入到平均池化层中,输出得到新特征X″c5,将新特征X″c1、新特征X″c2、新特征X″c3、新特征X″c4、新特征X″c5拼接操作,得到新特征
f-3)将增强特征X′c1输入到最大池化层中,输出得到新特征X″′c1,将增强特征X′c2输入到最大池化层中,输出得到新特征X″′c2,将增强特征X′c3输入到最大池化层中,输出得到新特征X″′c3,将增强特征X′c4输入到最大池化层中,输出得到新特征X″′c4,将增强特征X′c5输入到最大池化层中,输出得到新特征X″′c5,将新特征X″′c1、新特征X″′c2、新特征X″′c3、新特征X″′c4、新特征X″′c5拼接操作,得到新特征
f-4)将新特征与新特征/>相加操作,得到局部分支特征Xl。
进一步的,步骤g)中全局网络为ResNet-18网络。
进一步的,步骤h)包括如下步骤:
h-1)将局部分支特征Xl与全局特征Xg进行相加操作,得到新特征XN;
h-2)分类模块由全连接层构成,将新特征XN输入到全连接层中,输出得到多标签心电信号的分类结果。
本发明的有益效果是:构建了一个能够对复杂多标签心电信号进行分类的模型,通过挖掘心电信号中的粗粒度和细粒度特征,并充分利用多导联心电图的多样性,以此有效的提高模型分类的准确率以及在不同数据库之间的泛化能力。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图1对本发明做进一步说明。
一种基于双分支网络的多标签心电信号分类方法,包括如下步骤:
a)获取多标签心电信号数据。
b)对多标签心电信号数据进行预处理,得到预处理后的心电信号X。
c)建立卷积模块,将预处理后的心电信号X输入到卷积模块中,输出得到特征Xc。
d)将特征Xc分为5组特征,得到第一组特征Xc1、第二组特征Xc2、第三组特征Xc3、第四组特征Xc4、第五组特征Xc5。
e)建立局部特征增强模块,将第一组特征Xc1、第二组特征Xc2、第三组特征Xc3、第四组特征Xc4、第五组特征Xc5输入到局部特征增强模块中,分别得到增强特征X′c1、增强特征X′c2、增强特征X′c3、增强特征X′c4、增强特征X′c5。
f)建立自适应特征选择模块,将增强特征X′c1、增强特征X′c2、增强特征X′c3、增强特征X′c4、增强特征X′c5输入到自适应特征选择模块中,得到局部分支特征Xl。
g)建立全局网络,将特征Xc输入到全局网络中,输出得到全局特征Xg。
h)建立分类模块,将局部分支特征Xl与全局特征Xg输入到分类模块中,得到分类结果。
构建了由卷积模块、局部特征增强模块、自适应特征选择模块、全局网络、分类模块组成的模型结构,该模型结果用于对多标签心电信号进行分类,充分利用多导联心电图的多样性,以此有效的提高模型分类的准确率以及在不同数据库之间的泛化能力。
在本发明的一个实施例中,步骤a)中从MIT-BIH数据库中获取多标签心电信号数据。
在本发明的一个实施例中,步骤b)中将多标签心电信号数据的长度调整为L个样本点,得到预处理后的心电信号X,X∈RC×L,R为实数空间,C为通道数,通道数与心电信号导联数相同。
在本发明的一个实施例中,优选的,C取值为12,L取值为1000。
在本发明的一个实施例中,步骤c)包括如下步骤:
c-1)卷积模块由卷积核大小为25×25的第一卷积层、BN层、ReLU激活函数层、卷积核大小为15×15的第二卷积层构成。
c-2)将预处理后的心电信号X依次输入到卷积模块的第一卷积层中、BN层、ReLU激活函数层中,输出得到特征图X′,X′∈R12×1000。
c-3)将特征图X′输入到卷积模块的第二卷积层中,输出得到特征Xc,Xc∈R12×500。
在本发明的一个实施例中,步骤d)包括如下步骤:
d-1)预处理后的心电信号X中的12个导联分别为:导联Ⅰ、导联Ⅱ、导联Ⅲ、导联aVF、导联aVL、导联aVR、导联V1、导联V2、导联V3、导联V4、导联V5、导联V6,导联Ⅰ对应的通道为1,导联Ⅱ对应的通道为2,导联Ⅲ对应的通道为3,导联aVF对应的通道为4,导联aVL对应的通道为5,导联aVR对应的通道为6,导联V1对应的通道为7,导联V2对应的通道为8,导联V3对应的通道为9,导联V4对应的通道为10,导联V5对应的通道为11,导联V6对应的通道为12。
d-2)将导联Ⅰ和导联aVL作为第一组特征Xc1,Xc1∈R2×500,将导联Ⅱ、导联Ⅲ、导联aVF作为第二组特征Xc2,Xc2∈R3×500,将导联aVR作为第三组特征Xc3,Xc3∈R1×500,将导联V1、导联V2、导联V3作为第四组特征Xc4,Xc4∈R3×500,将导联V4、导联V5、导联V6作为第五组特征Xc5,Xc5∈R3×500。
在本发明的一个实施例中,步骤e)包括如下步骤:
e-1)局部特征增强模块由第一卷积块、第二卷积块、第三卷积块构成,第一卷积块依次由卷积核大小为11×11的第一卷积层、BN层、ReLU激活函数层、卷积核大小为5×5的第二卷积层构成,第二卷积块依次由卷积核大小为9×9的第一卷积层、BN层、ReLU激活函数层、卷积核大小为5×5的第二卷积层构成,第三卷积块依次由卷积核大小为7×7的第一卷积层、BN层、ReLU激活函数层、卷积核大小为5×5的第二卷积层构成。
e-2)将第一组特征Xc1输入到第一卷积块中,输出得到特征将特征/>与第一组特征Xc1相加操作,得到融合生成新特征/>将融合生成新特征/>输入到第二卷积块中,输出得到特征/>将特征/>与第一组特征Xc1相加操作,得到融合生成新特征将融合生成新特征/>输入到第三卷积块中,输出得到特征/>将特征/>特征/>特征/>相加操作,得到第一组特征Xc1经过局部特征网络获得的增强特征X′c1。
e-3)将第二组特征Xc2输入到第一卷积块中,输出得到特征将特征/>与第二组特征Xc2相加操作,得到融合生成新特征/>将融合生成新特征/>输入到第二卷积块中,输出得到特征/>将特征/>与第二组特征Xc2相加操作,得到融合生成新特征/>将融合生成新特征/>输入到第三卷积块中,输出得到特征/>将特征特征/>特征/>相加操作,得到第二组特征Xc2经过局部特征网络获得的增强特征X′c2。
e-4)将第三组特征Xc3输入到第一卷积块中,输出得到特征将特征/>与第三组特征Xc3相加操作,得到融合生成新特征/>将融合生成新特征/>输入到第二卷积块中,输出得到特征/>将特征/>与第三组特征Xc3相加操作,得到融合生成新特征将融合生成新特征/>输入到第三卷积块中,输出得到特征/>将特征/>特征/>特征/>相加操作,得到第三组特征Xc3经过局部特征网络获得的增强特征X′c3。
e-5)第四组特征Xc4输入到第一卷积块中,输出得到特征将特征/>与第四组特征Xc4相加操作,得到融合生成新特征/>将融合生成新特征/>输入到第二卷积块中,输出得到特征/>将特征/>与第四组特征Xc4相加操作,得到融合生成新特征将融合生成新特征/>输入到第三卷积块中,输出得到特征/>将特征/>特征/>特征/>相加操作,得到第四组特征Xc4经过局部特征网络获得的增强特征Xc′4。
e-6)第五组特征Xc5输入到第一卷积块中,输出得到特征将特征/>与第五组特征Xc5相加操作,得到融合生成新特征/>将融合生成新特征/>输入到第二卷积块中,输出得到特征/>将特征/>与第五组特征Xc5相加操作,得到融合生成新特征将融合生成新特征/>输入到第三卷积块中,输出得到特征/>将特征/>特征/>特征/>相加操作,得到第五组特征Xc5经过局部特征网络获得的增强特征X′c5。
在本发明的一个实施例中,步骤f)包括如下步骤:
f-1)自适应特征选择模块由平均池化层、最大池化层、sigmoid函数构成。
f-2)将增强特征X′c1输入到平均池化层中,输出得到新特征X″c1,将增强特征X′c2输入到平均池化层中,输出得到新特征X″c2,将增强特征X′c3输入到平均池化层中,输出得到新特征X″c3,将增强特征X′c4输入到平均池化层中,输出得到新特征X″c4,将增强特征X′c5输入到平均池化层中,输出得到新特征X″c5,将新特征X″c1、新特征X″c2、新特征X″c3、新特征X″c4、新特征X″c5拼接操作,得到新特征
f-3)将增强特征X′c1输入到最大池化层中,输出得到新特征X″′c1,将增强特征X′c2输入到最大池化层中,输出得到新特征X″′c2,将增强特征X′c3输入到最大池化层中,输出得到新特征X″′c3,将增强特征X′c4输入到最大池化层中,输出得到新特征X″′c4,将增强特征X′c5输入到最大池化层中,输出得到新特征X″′c5,将新特征X″′c1、新特征X″′c2、新特征X″′c3、新特征X″′c4、新特征X″′c5拼接操作,得到新特征
f-4)将新特征与新特征/>相加操作,得到局部分支特征Xl。
在本发明的一个实施例中,优选的,步骤g)中全局网络为ResNet-18网络。
在本发明的一个实施例中,步骤h)包括如下步骤:
h-1)将局部分支特征Xl与全局特征Xg进行相加操作,得到新特征XN。
h-2)分类模块由全连接层构成,将新特征XN输入到全连接层中,输出得到多标签心电信号的分类结果。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于双分支网络的多标签心电信号分类方法,其特征在于,包括如下步骤:
a)获取多标签心电信号数据;
b)对多标签心电信号数据进行预处理,得到预处理后的心电信号X;
c)建立卷积模块,将预处理后的心电信号X输入到卷积模块中,输出得到特征Xc;
d)将特征Xc分为5组特征,得到第一组特征Xc1、第二组特征Xc2、第三组特征Xc3、第四组特征Xc4、第五组特征Xc5;
e)建立局部特征增强模块,将第一组特征Xc1、第二组特征Xc2、第三组特征Xc3、第四组特征Xc4、第五组特征Xc5输入到局部特征增强模块中,分别得到增强特征X′c1、增强特征X′c2、增强特征X′c3、增强特征X′c4、增强特征X′c5;
f)建立自适应特征选择模块,将增强特征X′c1、增强特征X′c2、增强特征X′c3、增强特征X′c4、增强特征X′c5输入到自适应特征选择模块中,得到局部分支特征Xl;
g)建立全局网络,将特征Xc输入到全局网络中,输出得到全局特征Xg;
h)建立分类模块,将局部分支特征Xl与全局特征Xg输入到分类模块中,得到分类结果;
步骤b)中将多标签心电信号数据的长度调整为L个样本点,得到预处理后的心电信号X,X∈RC×L,R为实数空间,C为通道数,通道数与心电信号导联数相同,C取值为12,L取值为1000;
步骤d)包括如下步骤:
d-1)预处理后的心电信号X中的12个导联分别为:导联Ⅰ、导联Ⅱ、导联Ⅲ、导联aVF、导联aVL、导联aVR、导联V1、导联V2、导联V3、导联V4、导联V5、导联V6,导联Ⅰ对应的通道为1,导联Ⅱ对应的通道为2,导联Ⅲ对应的通道为3,导联aVF对应的通道为4,导联aVL对应的通道为5,导联aVR对应的通道为6,导联V1对应的通道为7,导联V2对应的通道为8,导联V3对应的通道为9,导联V4对应的通道为10,导联V5对应的通道为11,导联V6对应的通道为12;
d-2)将导联Ⅰ和导联aVL作为第一组特征Xc1,Xc1∈R2×500,将导联Ⅱ、导联Ⅲ、导联aVF作为第二组特征Xc2,Xc2∈R3×500,将导联aVR作为第三组特征Xc3,Xc3∈R1×500,将导联V1、导联V2、导联V3作为第四组特征Xc4,Xc4∈R3×500,将导联V4、导联V5、导联V6作为第五组特征Xc5,Xc5∈R3×500;
步骤e)包括如下步骤:
e-1)局部特征增强模块由第一卷积块、第二卷积块、第三卷积块构成,第一卷积块依次由卷积核大小为11×11的第一卷积层、BN层、ReLU激活函数层、卷积核大小为5×5的第二卷积层构成,第二卷积块依次由卷积核大小为9×9的第一卷积层、BN层、ReLU激活函数层、卷积核大小为5×5的第二卷积层构成,第三卷积块依次由卷积核大小为7×7的第一卷积层、BN层、ReLU激活函数层、卷积核大小为5×5的第二卷积层构成;
e-2)将第一组特征Xc1输入到第一卷积块中,输出得到特征将特征/>与第一组特征Xc1相加操作,得到融合生成新特征/>将融合生成新特征/>输入到第二卷积块中,输出得到特征/>将特征/>与第一组特征Xc1相加操作,得到融合生成新特征将融合生成新特征/>输入到第三卷积块中,输出得到特征/>将特征/>特征/>特征/>相加操作,得到第一组特征Xc1经过局部特征网络获得的增强特征Xc′1;
e-3)将第二组特征Xc2输入到第一卷积块中,输出得到特征将特征/>与第二组特征Xc2相加操作,得到融合生成新特征/>将融合生成新特征/>输入到第二卷积块中,输出得到特征/>将特征/>与第二组特征Xc2相加操作,得到融合生成新特征将融合生成新特征/>输入到第三卷积块中,输出得到特征/>将特征/>特征/>特征/>相加操作,得到第二组特征Xc2经过局部特征网络获得的增强特征Xc′2;
e-4)将第三组特征Xc3输入到第一卷积块中,输出得到特征将特征/>与第三组特征Xc3相加操作,得到融合生成新特征/>将融合生成新特征/>输入到第二卷积块中,输出得到特征/>将特征/>与第三组特征Xc3相加操作,得到融合生成新特征将融合生成新特征/>输入到第三卷积块中,输出得到特征/>将特征/>特征/>特征/>相加操作,得到第三组特征Xc3经过局部特征网络获得的增强特征Xc′3;
e-5)第四组特征Xc4输入到第一卷积块中,输出得到特征将特征/>与第四组特征Xc4相加操作,得到融合生成新特征/>将融合生成新特征/>输入到第二卷积块中,输出得到特征/>将特征/>与第四组特征Xc4相加操作,得到融合生成新特征将融合生成新特征/>输入到第三卷积块中,输出得到特征/>将特征/>特征/>特征/>相加操作,得到第四组特征Xc4经过局部特征网络获得的增强特征Xc′4;
e-6)第五组特征Xc5输入到第一卷积块中,输出得到特征将特征/>与第五组特征Xc5相加操作,得到融合生成新特征/>将融合生成新特征/>输入到第二卷积块中,输出得到特征/>将特征/>与第五组特征Xc5相加操作,得到融合生成新特征将融合生成新特征/>输入到第三卷积块中,输出得到特征/>将特征/>特征/>特征/>相加操作,得到第五组特征Xc5经过局部特征网络获得的增强特征Xc′5;
步骤f)包括如下步骤:
f-1)自适应特征选择模块由平均池化层、最大池化层、sigmoid函数构成;
f-2)将增强特征Xc′1输入到平均池化层中,输出得到新特征Xc″1,将增强特征Xc′2输入到平均池化层中,输出得到新特征Xc″2,将增强特征Xc′3输入到平均池化层中,输出得到新特征Xc″3,将增强特征Xc′4输入到平均池化层中,输出得到新特征Xc″4,将增强特征Xc′5输入到平均池化层中,输出得到新特征Xc″5,将新特征Xc″1、新特征Xc″2、新特征Xc″3、新特征Xc″4、新特征Xc″5拼接操作,得到新特征
f-3)将增强特征Xc′1输入到最大池化层中,输出得到新特征Xc″1′,将增强特征Xc′2输入到最大池化层中,输出得到新特征Xc″′2,将增强特征Xc′3输入到最大池化层中,输出得到新特征Xc″3′,将增强特征Xc′4输入到最大池化层中,输出得到新特征Xc″′4,将增强特征Xc′5输入到最大池化层中,输出得到新特征Xc″′5,将新特征Xc″1′、新特征Xc″′2、新特征Xc″3′、新特征Xc″′4、新特征Xc″′5拼接操作,得到新特征
f-4)将新特征与新特征/>相加操作,得到局部分支特征Xl。
2.根据权利要求1所述的基于双分支网络的多标签心电信号分类方法,其特征在于:步骤a)中从MIT-BIH数据库中获取多标签心电信号数据。
3.根据权利要求1所述的基于双分支网络的多标签心电信号分类方法,其特征在于,步骤c)包括如下步骤:
c-1)卷积模块由卷积核大小为25×25的第一卷积层、BN层、ReLU激活函数层、卷积核大小为15×15的第二卷积层构成;
c-2)将预处理后的心电信号X依次输入到卷积模块的第一卷积层中、BN层、ReLU激活函数层中,输出得到特征图X′,X′∈R12×1000;
c-3)将特征图X′输入到卷积模块的第二卷积层中,输出得到特征Xc,Xc∈R12×500。
4.根据权利要求1所述的基于双分支网络的多标签心电信号分类方法,其特征在于:步骤g)中全局网络为ResNet-18网络。
5.根据权利要求1所述的基于双分支网络的多标签心电信号分类方法,其特征在于,步骤h)包括如下步骤:
h-1)将局部分支特征Xl与全局特征Xg进行相加操作,得到新特征XN;
h-2)分类模块由全连接层构成,将新特征XN输入到全连接层中,输出得到多标签心电信号的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311224273.XA CN117257322B (zh) | 2023-09-21 | 2023-09-21 | 一种基于双分支网络的多标签心电信号分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311224273.XA CN117257322B (zh) | 2023-09-21 | 2023-09-21 | 一种基于双分支网络的多标签心电信号分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117257322A CN117257322A (zh) | 2023-12-22 |
CN117257322B true CN117257322B (zh) | 2024-04-19 |
Family
ID=89211716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311224273.XA Active CN117257322B (zh) | 2023-09-21 | 2023-09-21 | 一种基于双分支网络的多标签心电信号分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117257322B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110393519A (zh) * | 2019-08-19 | 2019-11-01 | 广州视源电子科技股份有限公司 | 心电信号的分析方法、装置、存储介质和处理器 |
WO2020061987A1 (zh) * | 2018-09-28 | 2020-04-02 | 深圳大学 | 多导联联合心电图分类方法 |
CN113080994A (zh) * | 2021-03-30 | 2021-07-09 | 北京芯动卫士科技有限公司 | 一种基于卷积神经网络的多导联心电信号分类方法 |
CN113486851A (zh) * | 2021-07-28 | 2021-10-08 | 齐齐哈尔大学 | 基于双分支光谱多尺度注意力网络的高光谱图像分类方法 |
CN114190952A (zh) * | 2021-12-01 | 2022-03-18 | 山东省人工智能研究院 | 一种基于导联分组的12导联心电信号多标签分类方法 |
CN114841209A (zh) * | 2022-05-13 | 2022-08-02 | 山东省人工智能研究院 | 一种基于深度领域自适应的多目标域心电信号分类方法 |
CN115470828A (zh) * | 2022-09-23 | 2022-12-13 | 华东师范大学 | 基于卷积与自注意力机制的多导联心电图分类识别方法 |
CN115568860A (zh) * | 2022-09-30 | 2023-01-06 | 厦门大学 | 基于双注意力机制的十二导联心电信号的自动分类方法 |
CN116226763A (zh) * | 2023-03-03 | 2023-06-06 | 山东省人工智能研究院 | 基于改进型注意力机制的多标签心电信号分类方法 |
CN116458894A (zh) * | 2023-04-21 | 2023-07-21 | 山东省人工智能研究院 | 基于复合型生成对抗网络的心电信号增强与分类方法 |
CN116491954A (zh) * | 2023-05-10 | 2023-07-28 | 东南大学 | 基于融合神经网络的多标签多导联心律失常分类方法 |
CN116563606A (zh) * | 2023-04-11 | 2023-08-08 | 重庆邮电大学 | 一种基于双分支空谱全局特征提取网络的高光谱图像分类方法 |
CN116616784A (zh) * | 2023-06-13 | 2023-08-22 | 平安科技(深圳)有限公司 | 一种基于深度学习的心电图分类方法、装置及存储介质 |
KR20230133230A (ko) * | 2022-03-10 | 2023-09-19 | 주식회사 메디컬에이아이 | 심전도에 기초한 신경망 모델의 대조적인 사전 학습 방법, 프로그램 및 장치 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210232914A1 (en) * | 2020-01-17 | 2021-07-29 | Ever Fortune.Ai Co., Ltd. | Method for building a heart rhythm classification model |
-
2023
- 2023-09-21 CN CN202311224273.XA patent/CN117257322B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020061987A1 (zh) * | 2018-09-28 | 2020-04-02 | 深圳大学 | 多导联联合心电图分类方法 |
CN110393519A (zh) * | 2019-08-19 | 2019-11-01 | 广州视源电子科技股份有限公司 | 心电信号的分析方法、装置、存储介质和处理器 |
CN113080994A (zh) * | 2021-03-30 | 2021-07-09 | 北京芯动卫士科技有限公司 | 一种基于卷积神经网络的多导联心电信号分类方法 |
CN113486851A (zh) * | 2021-07-28 | 2021-10-08 | 齐齐哈尔大学 | 基于双分支光谱多尺度注意力网络的高光谱图像分类方法 |
CN114190952A (zh) * | 2021-12-01 | 2022-03-18 | 山东省人工智能研究院 | 一种基于导联分组的12导联心电信号多标签分类方法 |
KR20230133230A (ko) * | 2022-03-10 | 2023-09-19 | 주식회사 메디컬에이아이 | 심전도에 기초한 신경망 모델의 대조적인 사전 학습 방법, 프로그램 및 장치 |
CN114841209A (zh) * | 2022-05-13 | 2022-08-02 | 山东省人工智能研究院 | 一种基于深度领域自适应的多目标域心电信号分类方法 |
CN115470828A (zh) * | 2022-09-23 | 2022-12-13 | 华东师范大学 | 基于卷积与自注意力机制的多导联心电图分类识别方法 |
CN115568860A (zh) * | 2022-09-30 | 2023-01-06 | 厦门大学 | 基于双注意力机制的十二导联心电信号的自动分类方法 |
CN116226763A (zh) * | 2023-03-03 | 2023-06-06 | 山东省人工智能研究院 | 基于改进型注意力机制的多标签心电信号分类方法 |
CN116563606A (zh) * | 2023-04-11 | 2023-08-08 | 重庆邮电大学 | 一种基于双分支空谱全局特征提取网络的高光谱图像分类方法 |
CN116458894A (zh) * | 2023-04-21 | 2023-07-21 | 山东省人工智能研究院 | 基于复合型生成对抗网络的心电信号增强与分类方法 |
CN116491954A (zh) * | 2023-05-10 | 2023-07-28 | 东南大学 | 基于融合神经网络的多标签多导联心律失常分类方法 |
CN116616784A (zh) * | 2023-06-13 | 2023-08-22 | 平安科技(深圳)有限公司 | 一种基于深度学习的心电图分类方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
面向心电辅助诊断的多标签分类算法研究;荣培杉;中国优秀硕士学位论文全文数据库;20220115(第01期);E062-67 * |
Also Published As
Publication number | Publication date |
---|---|
CN117257322A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111524106B (zh) | 颅骨骨折检测和模型训练方法、装置、设备和存储介质 | |
CN112163634A (zh) | 实例分割模型样本筛选方法、装置、计算机设备及介质 | |
JP5899946B2 (ja) | 分割装置、分割方法、および分割プログラム | |
EP3690804A1 (en) | Information processing device | |
CN111444917A (zh) | 车牌字符识别方法、装置、电子设备和存储介质 | |
CN114190952B (zh) | 一种基于导联分组的12导联心电信号多标签分类方法 | |
CN114373094A (zh) | 一种基于弱监督学习的门控特征注意力等变分割方法 | |
CN113971735A (zh) | 一种深度图像聚类方法、系统、设备、介质及终端 | |
CN113743269A (zh) | 一种轻量化识别视频人体姿态的方法 | |
Ren et al. | Evaluating generalization ability of convolutional neural networks and capsule networks for image classification via top-2 classification | |
CN116186593B (zh) | 一种基于可分离卷积和注意力机制的心电信号检测方法 | |
CN110706232A (zh) | 纹理图像分割方法、电子装置及计算机存储介质 | |
CN117257322B (zh) | 一种基于双分支网络的多标签心电信号分类方法 | |
CN112347910A (zh) | 一种基于多模态深度学习的信号指纹识别方法 | |
EP3690803A1 (en) | Information processing device | |
CN114119627A (zh) | 基于深度学习的高温合金微观组织图像分割方法及装置 | |
CN112308213A (zh) | 一种基于全局特征关系的卷积神经网络压缩方法 | |
CN115937654A (zh) | 一种基于多层次特征融合的单目标跟踪方法 | |
CN111414941B (zh) | 一种基于特征复用的点云卷积神经网络 | |
CN113837263A (zh) | 基于特征融合注意力模块和特征选择的手势图像分类方法 | |
CN114140543A (zh) | 基于U2net的多通道输出方法、系统、计算机设备及存储介质 | |
CN114048774A (zh) | 一种基于se-block的resnet通信辐射源识别方法与系统 | |
CN112613521A (zh) | 基于数据转换的多层次数据分析系统及方法 | |
CN114494827A (zh) | 一种用于检测航拍图片的小目标检测方法 | |
CN113269159A (zh) | 一种融合肌电信号与视觉图像的手势识别方法 |
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 |