TWI766260B - 用於訓練一多任務學習網路以判別心電圖資料的方法及系統 - Google Patents
用於訓練一多任務學習網路以判別心電圖資料的方法及系統 Download PDFInfo
- Publication number
- TWI766260B TWI766260B TW109110860A TW109110860A TWI766260B TW I766260 B TWI766260 B TW I766260B TW 109110860 A TW109110860 A TW 109110860A TW 109110860 A TW109110860 A TW 109110860A TW I766260 B TWI766260 B TW I766260B
- Authority
- TW
- Taiwan
- Prior art keywords
- task
- learning network
- task learning
- source
- target
- Prior art date
Links
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一種用於訓練一多任務學習網路以判別心電圖(ECG)資料的方法,包含對一初始資料集執行一預處理作業以準備一來源資料集,且該初始資料集透過一個心電圖裝置獲得,並包括多個相關於一測試對象的子集;構建一來源多任務學習網路,且該來源多任務學習網路包括至少一共享層、多個附加於該共享層的一輸出的特定任務層,以及一輸出層;將該來源資料集運用於該多任務學習網路;以及根據該輸出層獲得多筆包括一主要任務的結果以及一輔助任務的結果之結果。
Description
本發明是有關於一種用於訓練一多任務學習網路以判別心電圖(ECG)資料的方法及其系統。
心臟疾病目前已經成為主要的死亡原因,一般來說,為了輔助例如心律不整、心臟病發作、心臟衰竭等的特定心臟疾病或病症之診斷,可以藉由電訊號的形式來記錄測試者(亦即,患者)的心電圖(Electrocardiography,ECG),由此,所得到的心電圖資料(如圖1所示的圖形)便能夠透過專業人員(例如:心臟病學家)進行解釋,以確定受試者的心臟電生理活動。請參閱圖2,通常來說,心電圖資料可以利用一個十二導程(12-lead)心電圖裝置,並透過放置在受試者不同身體部位上的方式來進行心電圖資料的記錄,其中,該十二導程心電圖裝置包括十二個電極,且每一個電極均具有一個特殊標籤(亦即,V1、V2…V6、RA、LA、RL以及LL)。
隨著人工智慧(Artificial Intelligence,AI)在圖像處理以及辨識領域的發展,使得深度學習網路模型能夠被利用來進行心電圖資料的解釋。
特別要注意的是,關於一種特定的心臟疾病,亦即布魯蓋達氏症候群(Brugada Syndrome,BS),因其具有心臟猝死的高風險,遂而在此領域中引起了特別的關注。布魯蓋達氏症候群可以透過其特殊的心電圖特性,包括右胸前導程中ST段上升型的右束支傳導阻滯(Right Bundle Branch Block,RBBB)之表現來進行診斷。而罹患布魯蓋達氏症候群的患者在年輕時期容易罹患心律不整(Ventricular Arrhythmias)以及心搏停止(Sudden Cardiac Death,SCD)的疾病,根據報導指出,心搏停止的年風險為1%至2%,由於大約有60%罹患布魯蓋達氏症候群的患者沒有症狀產生,因此,許多罹患布魯蓋達氏症候群的患者在歷經心搏停止並經心肺復甦之後才被診斷證實,這種情況將導致家庭毀滅性的衝擊,並造成極大的經濟影響。有鑒於布魯蓋達氏症候群的罕見性,以及其心電圖形態與右束支傳導阻滯類似,因此,醫生未意識察覺到布魯蓋達氏症候群的心電圖模式或者是誤診的情況並非少數,如此,患者也因而未能即時獲得適當的治療,同時更帶來危及生命的危害。
因此,從概念上來說,透過人工智慧來篩選布魯蓋達氏症候群其特殊的心電圖模式,將有機會助於罹患布魯蓋達氏症候群的患者被即早發現,進而能夠挽救其生命。因此,本發明之其中一目的,即在提供一種用於訓練一多任務學習網路以判別心電圖資料的方法。
根據本發明,該方法在一些實施態樣中,包含以下步驟:
(a)對一初始資料集執行一預處理作業以準備一來源資料集,且該初始資料集透過一個心電圖裝置獲得,並包括多個相關於一測試對象的子集;
(b)構建一來源多任務學習網路,且該來源多任務學習網路包括至少一共享層、一系列的特定任務層,以及一輸出層,其中,在該來源多任務學習網路中,該系列的特定任務層的一輸入連接於該共享層的一輸出,並且該系列的特定任務層的一輸出連接於該輸出層的一輸入;
(c)將該來源資料集作為一輸入運用於該來源多任務學習網路;以及
(d)根據該輸出層獲得該來源多任務學習網路的一主要任務的結果以及一輔助任務的結果。
本發明之另一目的,即在提供一種適用於前述方法所使用的系統。
根據本發明,該系統在一些實施態樣中,用以判斷特定生理條件的現象並包含:
一個心電圖裝置,用於獲得一包括相關於一測試對象的子集之初始資料集;以及
一處理器,連接於該心電圖裝置並程式化為
(a)對該初始資料集執行一預處理作業以準備一來源資料集,
(b)構建一來源多任務學習網路,且該來源多任務學習網路包括一共享層、附加於該共享層的一輸出的特定任務層,以及一輸出層,
(c)將該來源資料集作為一輸入運用於該來源多任務學習網路,以及
(d)根據該輸出層獲得多筆結果,其中,該些結果包括該來源多任務學習網路的一主要任務的結果以及一輔助任務的結果。
在本發明被詳細描述之前,應當注意在以下的說明內容中,類似的元件是以相同的編號來表示。
圖3是一方塊圖,說明根據本發明用於訓練一多任務學習網路以判別心電圖(Electrocardiography,ECG)資料的一系統200的一實施例。
該系統200包括一電子裝置210,以及一連接於該電子裝置210的心電圖裝置220。
該電子裝置210可以被實施為一伺服器或一個人電腦,並包括一處理器212、一通訊元件214、一記憶體216、一顯示器217,以及一圖形處理器218(GPU)。
該處理器212可以包括(但不限於)一單核心處理器、一多核心處理器、一雙核心行動處理器、一微處理器、一微控制器、一數位訊號處理器(DSP)、一場域可程式化邏輯閘陣列( FPGA)、一特殊應用積體電路(ASIC)和/或一射頻積體電路(RFIC)等。在本實施例中,該處理器212可以被實施為該電子裝置210的一中央處理器(CPU)。
該通訊元件214電連接於該處理器212,並且可以包括一支援長期演進技術(LTE)的行動通訊模組、一無線通訊技術的第三代(3G)和/或第四代(4G)等。在本實施例中,該通訊元件214還可以進一步包括一支援與另一電子裝置有線連接的連接介面(亦即,通用序列匯流排(USB)),以及一支援使用藍牙和/或Wi-Fi等無線技術的短程無線通訊網路之短程無線通訊模組。
該記憶體216電連接於該處理器212,並且可以被實施為一個或多個的硬碟、固態硬盤(SSD)、快閃記憶體以及其他非揮發性儲存媒體,該記憶體216儲存有一應用程式、多個演算法,以及多個神經網路。該應用程式包括軟體指令,當由該處理器212執行時,該軟體指令使該處理器212執行如下所述的多種作業。
該顯示器217電連接於該處理器212,可以被實施為一獨立顯示螢幕,並且可以由該處理器212控制以顯示圖像。
該圖形處理器218電連接於該處理器212,可以被實施為一獨立顯示卡,或者是嵌入在該電子裝置210的主機板上的晶片形式之硬體圖像單元。
於此實施中,該心電圖裝置220可以被實施為一包括十二個電極的常規十二導程心電圖裝置來實現,且每一個電極均具有一個特殊標籤(亦即,V1、V2…V6、RA、LA、RL以及LL),透過放置在一測試對象(亦即,患者)的不同身體部位上以進行電活動的記錄,使得該心電圖裝置220能夠基於該心電圖裝置220的電極所記錄的電活動,以電訊號的形式產生該測試對象的心電圖資料。
隨後,該心電圖裝置220便能夠經由有線或無線的連接方式與該電子裝置210的通訊元件214進行通訊,並且將該心電圖資料傳送至該電子裝置210。
該電子裝置210可以處理該心電圖資料,並且以包括多個波線的圖像形式呈現該心電圖資料,藉此來回應該心電圖資料的接收。每一個波線相關於該心電圖裝置220相對應的其中之一電極所記錄的資料,然後,該圖像便能夠經由該顯示器217顯示以用於解釋說明。圖5是竇性心律模式的的示意圖,示例性說明該測試對象心臟的電活動。竇性心律模式通常包括一PR間期、一QT間期,以及一包括QT間期的QRS波群。在透過該心電圖裝置220的其中之一電極記錄該罹患竇性心律的測試對象之心電圖資料時,其相對應波線的波形可能具有與竇性心律模式相似的特徵。
特別要注意的是,當以圖表的形式顯示心電圖資料時,能夠透過該心電圖資料中波形上的特定特徵,來檢測該測試對象罹患特定心臟疾病或病症之特定心臟活動。例如,如圖6中的橢圓所示,在典型的右束支傳導阻滯(Right Bundle Branch Block,RBBB)情況下,經由電極V1(在某些情況下為V6)所記錄的心電圖資料之相關波形,可能具有特定特徵。而在典型的布魯蓋達氏症候群(Brugada Syndrome,BS)情況下,如圖7中的矩所示,經由電極V1與V2所記錄的心電圖資料之相關波形,可能具有特定特徵。
特別要注意的是,隨著人工智慧(AI)在圖像處理以及辨識領域的發展,使得深度學習網路模型能夠被利用來進行心電圖資料的解釋,因此,將有益於能夠自動解釋該測試對象的心電圖資料之一網路模型的構建與訓練,進而能夠準確且及時地辨識出波形上的特定特徵,以判斷該測試對象是否罹患布魯蓋達氏症候群或者是右束支傳導阻滯。
圖4是一流程圖,說明根據本發明用於訓練一多任務學習網路以判別心電圖資料的一方法之步驟的一實施例。在本實施例中,該方法係透過該系統200(參見圖3)來實行。具體來說,該方法之步驟可以被實施為該處理器212執行儲存在該記憶體216中的應用程式。
在步驟402中,該電子裝置210獲得一初始資料集。該初始資料集是透過該心電圖裝置220所記錄,並包括多個相關於該測試對象的子集。在其他實施態樣中,該初始資料集可以相關於兩個或更多個的測試對象。
詳細來說,每一個子集係分別在一預定時間內由該測試對象透過該心電圖裝置220的十二個電極所記錄到的十二個波線所組成。在本實施例中,該初始資料集包括5,000個子集,該等子集以500 Hz(亦即,每秒500個採樣點)的頻率並連續記錄了5,000個時間間期(也稱為時間步長)。在其他實施態樣中,該初始資料集包括每一個測試對象的5,000個子集。
在步驟404中,該處理器212對該初始資料集執行一預處理作業,以準備一來源資料集。
特別要注意的是,該預處理作業的進行可以減少該初始資料集的心電圖資料中由於心電圖資料的記錄而產生的雜訊。一般來說,基線飄移(Baseline Wander,BW)雜訊可能是由於該測試對象的移動所引起的,而高頻雜訊則是最常見的。
於是,如圖8所示,該預處理作業可以包括使用一高通過濾器與一低通過濾器,以濾除基線飄移雜訊以及上述所說的高頻雜訊,並且對該初始資料集執行一轉置作業。該高通過濾器與該低通過濾器可以被實施為一儲存於該記憶體216中的電路或軟體應用。如圖9所示,係表示該初始資料集的波線與經濾除掉基線飄移雜訊與高頻雜訊後之該初始資料集的波線之比較。
該轉置作業是為了將該初始資料集的資料尺寸由12x5000更改為5000x12(該來源資料集的資料尺寸),如此,便能夠同時水平地觀察來自於所有十二個電極的波線(參見圖10),該轉置作業可以透過該電子裝置210的一中央處理器(亦即,該處理器212)來執行。
在步驟406中,該處理器212獲得該來源資料集。
在步驟408中,該處理器212構建一用於訓練的來源多任務學習網路1110。具體來說,如圖11所示,一示例性的來源多任務學習網路1110包括至少一共享層1102、一系列的特定任務層1104,以及一輸出層1106,該系列的特定任務層1104的一輸入連接於該共享層1102的一輸出,並且該系列的特定任務層1104的一輸出連接於該輸出層1106的一輸入。
特別要注意的是,在其他實施態樣中,為了達到更好的效果,該來源多任務學習網路1110的建構可以被實施為該電子裝置210的中央處理器218,以進行該來源多任務學習網路1110的訓練。
特別要注意的是,在各種實施態樣中,步驟402至步驟406的操作與步驟408的操作可以以任意順序地實施,或者也可以同時實施。
也就是說,在其他實施態樣中,可以在步驟402之前構建該來源多任務學習網路1110,在這種情況下,該電子裝置210的處理器212或者是圖形處理器218可以對該記憶體216進行存取以載入該來源多任務學習網路1110,並且進行該來源多任務學習網路1110的訓練。
在本實施例中,該共享層1102可以被實施為一雙向長短期記憶網路(Bidirectional Long Short Term Memory,BiLTSM)。特別要注意的是,該雙向長短期記憶網路在處理例如該來源資料集的心電圖資料等時間序列資料方面是有效的,並能實行對該心電圖資料的特定特徵學習的執行。
該特定任務層1104包括五個依序連接的卷積神經網路(Convolutional Neural Networks,CNNs),以及一連接於該等卷積神經網路的一輸出的雙向長短期記憶網路。在本實施例中,為了提高模型成效,該等卷積神經網路透過實例標準化(Instance Normalization)來實現。特別要注意的是,無論是該等卷積神經網路或者是該雙向長短期記憶網路都是公開的,並且在相關領域中被廣泛地應用,因此,為了簡潔目的,在此省略其詳細細節。
該特定任務層1104可以被實施為根據該心電圖資料擷取出的特定特徵以完成相對應的任務,也就是說,該特定任務層1104中的網路參數可以進行調整,以執行各種任務。
該輸出層1106包括多個輸出節點,每一個輸出節點與該來源多任務學習網路1110的任務相對應。在本實施例中,該輸出層1106包括兩個分別與一主要任務以及一輔助任務相對應的輸出節點。
在步驟410中,該處理器212將來源資料集作為一輸入運用於該來源多任務學習網路1100。
在步驟412中,該處理器212根據該輸出層1106獲得多筆結果。具體來說,該些結果包括該來源多任務學習網路1100的一主要任務的結果以及一輔助任務的結果,在其他實施態樣中,該來源多任務學習網路1100透過該圖形處理器218執行該主要任務以及該輔助任務。
在本實施例中,針對該來源多任務學習網路1100進行該主要任務以及該輔助任務的訓練。每一個主要任務以及輔助任務都是二元分類(是或否)。也就是說,該來源多任務學習網路1100可以被看作是二元分類系統,並且每一個主要任務以及輔助任務都包括一個二元分類作業的執行,這類似於判斷一個陳述是真是假。
具體來說,該來源多任務學習網路1100的主要任務是判斷其中之一子集是否有指示出該測試對象患有右束支傳導阻滯,並且該來源多任務學習網路1100的輔助任務是判斷其中之一子集是否有指示出該測試對象具有正常竇性心律。
也就是說,藉由將該來源資料集作為一輸入運用於該來源多任務學習網路1100,訓練該來源多任務學習網路1100以判斷(1)其中之一子集是否有指示出該測試對象患有右束支傳導阻滯,以及(2)其中之一子集是否有指示出該測試對象患有正常竇性心律,以將該判斷結果以作為一輸出而輸出。
例如,首先透過確定一相關於該任務的參數之閾值,然後再測試該預測結果是否大於指定閾值,藉此完成任務的二元分類作業,透過重覆準備資料集,以及將該相關於各種測試對象的資料集作為輸入運用於該來源多任務學習網路1100的操作,便能夠充分訓練該來源多任務學習網路1100,在其他實施態樣中,該來源多任務學習網路1100經過充分訓練之後,就能夠處理該主要任務以及該輔助任務,而該來源多任務學習網路1100的資源可以被遷移至另一個多任務學習網路(可建構其他任務),藉此提高另一個多任務學習網路的成效,這種技術便稱為遷移式學習(參見圖11)。
透過遷移式學習技術,可以利用在步驟402至步驟412中的操作,藉由該來源多任務學習網路1100進行充分訓練的參數來建構一目標多任務學習網路1200。
請再次參閱圖4,在步驟414中,該處理器212透過對一新資料集執行一預處理作業,以準備一目標資料集,且該新資料集是透過該心電圖裝置220所獲得,並相關於另一測試對象。在其他實施態樣中,該新資料集可以相關於該初始資料集的測試對象且為相同。
該新資料集可以包括多個子集,每一個新資料集的子集係分別在一預定時間內由另一測試對象透過該心電圖裝置220的十二個電極所記錄到的十二個波線所組成。在本實施例中,該新資料集包括5,000個在5,000個時間間期內所依序記錄的子集。
在步驟414中,該預處理作業可以以類似於步驟404中的方式來完成。也就是說,該預處理作業可以包括使用該高通過濾器與該低通過濾器,以濾除該新資料集的基線飄移雜訊以及高頻雜訊,並且透過該電子裝置210的中央處理器,對該新資料集執行一轉置作業。
在步驟416中,該處理器212獲得該目標資料集。
在步驟418中,該處理器212構建一目標多任務學習網路1200。具體來說,如圖11所示,一示例性的目標多任務學習網路1200包括至少一共享層1202、一系列的特定任務層1204,以及一輸出層1206,該系列的特定任務層1204的一輸入連接於該共享層1202的一輸出,並且該系列的特定任務層1204的一輸出連接於該輸出層1206的一輸入。也就是說,該目標多任務學習網路1200具有類似於該來源多任務學習網路1100的結構。
在本實施例中,該目標多任務學習網路1200具有一判斷該目標數據集的其中之一子集是否有指示出該測試對象患有布魯蓋達氏症候群的主要任務,以及一判斷該目標數據集的其中之一子集是否有指示出該測試對象患有右束支傳導阻滯的輔助任務。特別要注意的是,該目標多任務學習網路1200的主要任務以及輔助任務與該來源多任務學習網路1100的不同。
特別要注意的是,在其他實施態樣中,為了達到更好的效果,該目標多任務學習網路1200的建構可以被實施為該電子裝置210的中央處理器218,以進行該目標多任務學習網路1200的訓練。
在一些實施態樣中,透過遷移式學習技術,該目標多任務學習網路1200中的至少一些參數是來自於或根據該來源多任務學習網路1100遷移而來。
具體來說,在本實施例中,該目標多任務學習網路1200中的參數都是根據該來源多任務學習網路1100遷移而來,該共享層1202的參數被凍結(亦即,不透過微調過程改變),而其他參數則透過微調過程進行更新。
在步驟420中,該處理器212將該目標資料集作為一輸入運用於該目標多任務學習網路1200,以便產生該目標多任務學習網路1200的任務的一輸出(亦即,該目標多任務學習網路1200的主要任務以及輔助任務)。
在步驟422中,該處理器212判斷一組相關於該目標多任務學習網路1200之主要任務的成效值,該組成效值用於評估該目標多任務學習網路1200正確地執行該目標任務的能力,在本實施例中,該目標任務是該目標多任務學習網路1200的主要任務,但是在其他實施態樣中,可以是其他任務。
在本實施例中,該組成效值包括一靈敏度、一特異度,以及一相關於該目標多任務學習網路1200且在一接收者操作特徵(Receiver Operating Characteristic,ROC)曲線以下的區域(Area Under Curve,AUC)。
具體來說,本文中術語“靈敏度”(也稱為真陽性率或召回率),係表示該目標多任務學習網路1200正確地判斷出該測試對象罹患布魯蓋達氏症候群的能力。而本文中術語“特異度”,係表示該目標多任務學習網路1200正確地判斷出該測試對象未罹患布魯蓋達氏症候群的能力。一般來說,靈敏度與特異度彼此為負相關,這表示當靈敏度以及特異度其中之一者變高時,靈敏度以及特異度其中另一者則相對變低。
為了確定靈敏度以及特異度,下述表1(也稱為混淆矩陣)用來記錄在關於該測試對象是否罹患布魯蓋達氏症候群的事實(實際的)與該目標任務的結果(預測的)兩者之間的關係。
表1
實際的 | |||
陽性 | 陰性 | ||
預測的 | 陽性 | 真陽性(TP) | 假陽性(FP) |
陰性 | 假陰性(FN) | 真陰性(TN) |
在該混淆矩陣中,本文中術語“ TP”用來表示許多種情況,在每一種情況下,該測試對象實際上都罹患布魯蓋達氏症候群(被稱為真的條件),並且該目標任務的結果也指示出該測試對象罹患布魯蓋達氏症候群(被稱為陽性的條件)。本文中術語“ FP” 用來表示許多種情況,在每一種情況下,該測試對象實際上並未罹患布魯蓋達氏症候群(被稱為假的條件),然而,該目標任務的結果卻指示出該測試對象罹患布魯蓋達氏症候群。本文中術語“ TN”用於表示許多種情況,在每一種情況下,該測試對象實際上並未罹患布魯蓋達氏症候群,並且該目標任務的結果也指示出該測試對象未罹患布魯蓋達氏症候群(被稱為陰性的條件)。而本文中術語“ FN” 用來表示許多種情況,在每一種情況下,該測試對象實際上罹患布魯蓋達氏症候群,然而,該目標任務的結果卻指示出該測試對像並未罹患布魯蓋達氏症候群。
特別要注意的是,針對在該混淆矩陣中對於該特定任務的每一個TP、FP、FN以及TN的許多種情況,可能因為被調整的該特定任務之閾值的反應而不同。
在將多筆目標資料集(當該測試對象的心臟狀況為已知時)輸入至該目標多任務學習網路1200之後,該混淆矩陣便能夠針對該具有特定閾值的主要任務作記錄,並且每一個TP、FP、FN以及TN均為已知。然後,便可以藉由下述方程式計算其靈敏度以及特異度:
該ROC曲線可以在二維坐標系統中的一ROC空間內繪製,且該二維坐標系統具有兩個操作特徵,亦即分別作為該二維坐標系統的x軸與y軸的一假陽性率(False Positive Rate,FPR)以及一真陽性率(True Positive Rate,TPR),而每一個x軸以及y軸的範圍均在0到1之間。
該假陽性率(FPR)係表示假陽性病例數(實際上是陰性,但預測為陽性)與假陽性病例數以及真陰性病例數之總數的比率。該真陽性率(TPR)係表示真陽性病例數與真陽性病例數以及假陰性病例數之總數的比率。
藉由使用上述的混淆矩陣,便可以透過下述方程式計算出假陽性率(FPR)以及真陽性率(TPR):
如圖13中的實線所示,透過調整該閾值,便可以獲得不同組的數據點(FPR,TPR),並將其繪製在該ROC空間中以組成該ROC曲線,其中,該AUC係表示在該ROC曲線以下的區域。
特別要注意的是,通常來說,該AUC的範圍是從0.5(指示出該目標多任務學習網路1200不具有執行該主要任務的能力)到1(指示出該目標多任務學習網路1200執行該主要任務在理論上是完美的)之間,並且在該AUC大於0.8時的該目標多任務學習網路1200可以被認為是優良的。
在步驟424中,該處理器212判斷該組成效值在整體上是否已經達到最佳化,這表示相關於該目標多任務學習網路1200的主要任務之成效已經達到最佳化,在本實施例中,當每一個靈敏度、特異度以及AUC均大於0.8時,便能進行測定。特別要注意的是,在對該初始資料集以及該新資料集進行該預處理時,其成效值明顯地提高。
當步驟424中的測定為肯定時,該目標多任務學習網路1200的訓練可視為已經完成,並且在步驟484,將該目標多任務學習網路1200儲存於該記憶體216中。
另一方面,當步驟424中的測定為否定時,則流程進行至步驟426,使該處理器212對該目標多任務學習網路1200執行一微調作業。
在使用上,可以使用下述其中之一方法來執行該微調作業,如圖14所示,第一種方式是進一步地訓練整個目標多任務學習網路1200,也就是說,該目標多任務學習網路1200的所有參數可以在該微調作業進行調整。
第二種方法是“凍結” 該目標多任務學習網路1200的某些層級(亦即,使某些層級的參數保持不變),並且同時訓練該目標多任務學習網路1200的其餘層級。舉例來說,可以凍結該共享層1202,以及該五個特定任務層1204中的其中三個之參數,而該目標多任務學習網路1200的其餘層級之參數便能夠在該微調作業進行調整。
而第三種方法是凍結該目標多任務學習網路1200的共享層1202的參數,並且同時訓練該目標多任務學習網路1200的其餘層級。在本實施例中,第三種方法可以用來執行該微調作業,換句話說,在本實施例中,該目標多任務學習網路1200的特定任務層1204之參數附加於該目標多任務學習網路1200的共享層1202的輸出,並且在步驟418中,該目標多任務學習網路1200的輸出層1206之參數根據該來源多任務學習網路1100遷移,此外,在步驟426中,透過該微調作業進行調整。
經過該微調作業之後,流程返回到至步驟422,以確定一組新的成效值整體上是否已達到最佳化,且可以重覆進行該微調作業,直到該組新的成效值達到最佳化為止。
該目標多任務學習網路1200被充分訓練,且該組成效值整體上已達到最佳化之後,在步驟428中,將該系統200儲存於該記憶體216中,然後便能夠用於判斷特定生理條件(例如布魯蓋達氏症候群)的發生。在使用上,當該心電圖裝置220用於記錄該測試對象的心電圖資料時,該電子裝置210可以獲得一相對應的資料集,以對該資料集執行該預處理作業,並且將該資料集作為一輸入運用於該目標多任務學習網路1200以進行分類,藉此,來判斷該測試對象是否罹患布魯蓋達氏症候群或者是右束支傳導阻滯。
綜上所述,本發明實施例提供了一種用於訓練一來源多任務學習網路1100以判別心電圖資料,以及透過遷移式學習訓練一目標多任務學習網路1200的方法及系統,每一個來源多任務學習網路1100以及目標多任務學習網路1200能夠透過處理該心電圖資料的影像,來執行至少兩個相關於自動辨識心臟疾病的二元分類任務。由於布魯蓋達氏症候群的確診病例數尚不足以對一神經網路進行適當的訓練,因此,便透過遷移式學習技術對該目標多任務學習網路1200進行訓練。
藉由該目標多任務學習網路1200來進行分類,將有助於醫療人員進行判斷,特別要注意的是,該方法在醫療資源(例如,人力資源)較不足的地區可能特別有用,故確實能達成本發明之目的。
在上面的描述中,出於解釋的目的,已經闡述了許多具體細節以便提供對實施例的透徹理解。然而,對於本領域技術人員顯而易見的是,可以在沒有這些具體細節中的一些情況下實踐一個或多個其他實施例。還應當理解,在整個說明書中對“一個實施例”、“實施例”、具有序數的指示等的實施例的引用意味著特定的特徵、結構或特性可以包括本發明的實踐中。應進一步了解,在說明書中,有時將各種特徵組合在單個實施例,附圖或其描述中,以便簡化本發明並幫助理解各種發明方面,以及一個或多個特徵或在適當的情況下,在本發明的實踐中,來自一個實施例的具體細節可以與來自另一個實施例的一個或多個特徵或具體細節一起實踐。
惟以上所述者,僅為本發明之實施例而已,當不能以此限定本發明實施之範圍,凡是依本發明申請專利範圍及專利說明書內容所作之簡單的等效變化與修飾,皆仍屬本發明專利涵蓋之範圍內。
200:系統
210:電子裝置
212:處理器
214:通訊元件
216:記憶體
217:顯示器
218:圖形處理器
220:心電圖裝置
1102:共享層
1104:特定任務層
1106:輸出層
1110:來源多任務學習網路
1200:目標多任務學習網路
1202:共享層
1204:特定任務層
本發明之其他的特徵及功效,將於參照圖式的實施方式中清楚地呈現,其中:
圖1是一示意圖,說明由一心電圖裝置所獲得的心電圖資料的代表性追蹤;
圖2是一示意圖,說明該心電圖裝置的電極放置在一測試對象不同身體部位上;
圖3是一方塊圖,說明根據本發明來源多任務學習網路判別心電圖資料的訓練系統的一實施例;
圖4是一流程圖,說明根據本發明來源多任務學習網路判別心電圖資料的訓練方法以及目標多任務學習網路判別心電圖資料的訓練方法的步驟的一實施例;
圖5是一示例性的示意圖,說明在心電圖中心臟的電生理活動的一基本正常竇性心律模式;
圖6是一示例性的示意圖,說明一心電圖資料的波線,其中顯示出一右束支傳導阻滯的典型特徵的波形;
圖7是一示例性的示意圖,說明一心電圖資料的波線,其中顯示出一第一型布魯蓋達氏症候群的典型特徵的波形;
圖8是一示意圖,說明根據本發明一初始資料集執行預處理作業的一實施例;
圖9是一示例性的示意圖,說明在一心電圖資料的波線沒有雜訊過濾與一心電圖資料的波線經雜訊過濾後的比較;
圖10是一示意圖,說明該初始資料集的波線已進行預處理作業;
圖11是一架構圖,說明根據本發明來源多任務學習網路與目標多任務學習網路的一實施例;
圖12是說明一遷移式學習的技術,其中該來源多任務學習網路的已訓練的一部分已經轉移到該目標多任務學習網路;
圖13是一曲線圖,說明一用於確認該目標多任務學習網路之成效的接收者操作特徵曲線;及
圖14是說明對該目標多任務學習網路執行一微調作業的多種方法。
Claims (9)
- 一種用以判斷特定生理條件的現象之系統,包含:一個心電圖裝置,用於獲得一包括相關於一測試對象的子集之初始資料集;及一處理器,連接於該心電圖裝置並程式化為對該初始資料集執行一預處理作業以準備一來源資料集,構建一來源多任務學習網路,且該來源多任務學習網路包括一共享層、附加於該共享層的一輸出的特定任務層,以及一輸出層,將該來源資料集作為一輸入運用於該來源多任務學習網路,根據該輸出層獲得多筆結果,其中,該些結果包括該來源多任務學習網路的一主要任務的結果以及一輔助任務的結果,對一新資料集執行一預處理作業以準備一目標資料集,且該新資料集透過該心電圖裝置獲得,並相關於另一測試對象,構建一目標多任務學習網路,該目標多任務學習網路透過一圖形處理器並根據該來源多任務學習網路遷移的參數進行訓練,且該目標多任務學習網路包括一共享層、多個附加於該共享層的一輸出的特定任務層,以及一輸出層,將該目標資料集作為一輸入運用於該目標多任 務學習網路,確定一組相關於該目標多任務學習網路的主要任務之成效值;及執行一微調作業,直到該組成效值整體上指示出相關於該主要任務的成效已達到最佳化為止;其中,該處理器判斷其中之一子集是否有指示出該測試對象患有布魯蓋達氏症候群,以作為該目標多任務學習網路的主要任務。
- 如請求項1所述的系統,還包含:一記憶體,用於儲存該來源多任務學習網路;一圖形處理器,連接於該處理器並用於對該記憶體進行存取以載入該來源多任務學習網路,藉由該處理器,對已建構的該來源多任務學習網路實行訓練,及藉由該處理器,對該來源多任務學習網路執行該主要任務以及該輔助任務。
- 如請求項1所述的系統,還包含一以濾除雜訊的高通與低通的過濾器,且該處理器還進一步程式化為對該初始資料集執行一轉置作業。
- 如請求項1所述的系統,其中,該記憶體儲存有一用於實行該共享層的雙向長短期記憶網路。
- 如請求項1所述的系統,其中,該來源多任務學習網路的特定任務層包括五個實例標準化的卷積神經網路,以及一雙向長短期記憶網路,且該主要任務是判斷其中之一 子集是否有指示出該測試對象患有右束支傳導阻滯,且該輔助任務是判斷其中之一子集是否有指示出該測試對象患有正常竇性心律。
- 如請求項1所述的系統,還包含一以濾除雜訊的高通與低通的過濾器,且該處理器還進一步程式化為對該新資料集執行一轉置作業。
- 如請求項1所述的系統,其中,該處理器還進一步程式化為在建構該目標多任務學習網路時,對該目標多任務學習網路的共享層的參數進行凍結,並且在該微調作業對附加於該目標多任務學習網路的共享層的輸出以及該目標多任務學習網路的輸出層的參數之該目標多任務學習網路的特定任務層之參數進行調整。
- 如請求項1所述的系統,其中,該處理器判斷其中之一子集是否有指示出該測試對象患有右束支傳導阻滯,以作為該目標多任務學習網路的輔助任務。
- 如請求項1所述的系統,其中,該組成效值包括一靈敏度、一特異度,以及一在一接收者操作特徵曲線以下的區域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109110860A TWI766260B (zh) | 2020-03-30 | 2020-03-30 | 用於訓練一多任務學習網路以判別心電圖資料的方法及系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109110860A TWI766260B (zh) | 2020-03-30 | 2020-03-30 | 用於訓練一多任務學習網路以判別心電圖資料的方法及系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202135725A TW202135725A (zh) | 2021-10-01 |
TWI766260B true TWI766260B (zh) | 2022-06-01 |
Family
ID=79601419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109110860A TWI766260B (zh) | 2020-03-30 | 2020-03-30 | 用於訓練一多任務學習網路以判別心電圖資料的方法及系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI766260B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109300121A (zh) * | 2018-09-13 | 2019-02-01 | 华南理工大学 | 一种心血管疾病诊断模型的构建方法、系统及该诊断模型 |
CN109567793A (zh) * | 2018-11-16 | 2019-04-05 | 西北工业大学 | 一种面向心律不齐分类的ecg信号处理方法 |
EP3477555A1 (en) * | 2017-10-31 | 2019-05-01 | General Electric Company | Multi-task feature selection neural networks |
-
2020
- 2020-03-30 TW TW109110860A patent/TWI766260B/zh active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3477555A1 (en) * | 2017-10-31 | 2019-05-01 | General Electric Company | Multi-task feature selection neural networks |
CN109300121A (zh) * | 2018-09-13 | 2019-02-01 | 华南理工大学 | 一种心血管疾病诊断模型的构建方法、系统及该诊断模型 |
CN109567793A (zh) * | 2018-11-16 | 2019-04-05 | 西北工业大学 | 一种面向心律不齐分类的ecg信号处理方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202135725A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109171712B (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
CN107137072B (zh) | 一种基于1d卷积神经网络的室性异位搏动检测方法 | |
KR102451795B1 (ko) | 심전도 신호의 검출 방법 | |
Kwon et al. | Artificial intelligence for detecting mitral regurgitation using electrocardiography | |
JP2021534939A (ja) | 被験者の生理学的または生物学的状態または疾患を特定するための方法およびシステム | |
Farag | A self-contained STFT CNN for ECG classification and arrhythmia detection at the edge | |
US9962103B2 (en) | Systems and methods for assessing electrocardiogram reliability | |
Kumari et al. | Heart rhythm abnormality detection and classification using machine learning technique | |
WO2023103156A1 (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 | |
WO2018161391A1 (zh) | 一种心电信号伪差识别方法及心电信号伪差识别装置 | |
CN116196013B (zh) | 心电数据处理方法、装置、计算机设备与存储介质 | |
WO2020052640A1 (zh) | 基于深度学习算法的心电特征提取方法、装置、系统、设备和分类方法 | |
CN109124620A (zh) | 一种房颤检测方法、装置及设备 | |
JP2019093096A (ja) | Ecg信号の並行解析装置、方法及び移動端末 | |
CN109948396A (zh) | 一种心拍分类方法、心拍分类装置及电子设备 | |
Kanna et al. | Automated defective ECG signal detection using MATLAB applications | |
TWI766260B (zh) | 用於訓練一多任務學習網路以判別心電圖資料的方法及系統 | |
Cao et al. | Multi-channel lightweight convolutional neural network for remote myocardial infarction monitoring | |
KR102451751B1 (ko) | 심전도 전처리 방법 및 st 상승 심근경색 검출 방법 | |
WO2023236689A1 (zh) | 高频qrs波形曲线分析方法、装置、计算机设备与存储介质 | |
Burkhoff et al. | Characterization of cardiac acoustic biomarkers in patients with heart failure | |
WO2024098553A1 (zh) | 一种针对心电图的分析识别方法、系统以及存储介质 | |
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 | |
Ribeiro et al. | Machine learning-based cardiac activity non-linear analysis for discriminating COVID-19 patients with different degrees of severity | |
Brüler et al. | Vasovagal tonus index in dog with myxomatous mitral valve disease |