TWI837003B - 一種具有時間關聯性分析的st改變事件偵測方法 - Google Patents
一種具有時間關聯性分析的st改變事件偵測方法 Download PDFInfo
- Publication number
- TWI837003B TWI837003B TW112119944A TW112119944A TWI837003B TW I837003 B TWI837003 B TW I837003B TW 112119944 A TW112119944 A TW 112119944A TW 112119944 A TW112119944 A TW 112119944A TW I837003 B TWI837003 B TW I837003B
- Authority
- TW
- Taiwan
- Prior art keywords
- layer
- time
- module
- output
- electrocardiogram
- Prior art date
Links
- 230000008859 change Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000012544 monitoring process Methods 0.000 title abstract 7
- 238000012360 testing method Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 238000000926 separation method Methods 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 23
- 230000006403 short-term memory Effects 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 14
- 230000007774 longterm Effects 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 238000010219 correlation analysis Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 3
- 238000013480 data collection Methods 0.000 abstract 2
- 230000000302 ischemic effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 208000031225 myocardial ischemia Diseases 0.000 description 7
- 208000028867 ischemia Diseases 0.000 description 6
- 230000001052 transient effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000000747 cardiac effect Effects 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000004165 myocardium Anatomy 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000002861 ventricular Effects 0.000 description 2
- 206010061216 Infarction Diseases 0.000 description 1
- 208000001871 Tachycardia Diseases 0.000 description 1
- 206010000891 acute myocardial infarction Diseases 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000002060 circadian Effects 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000857 drug effect Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 238000007914 intraventricular administration Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000001314 paroxysmal effect Effects 0.000 description 1
- 238000000718 qrs complex Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000006794 tachycardia Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本發明一種具有時間關聯性分析的ST改變事件偵測方法，其針對輸入之受測者的心電圖進行偵測辨識，該偵測方法包含有建立偵測模型、建立資料集及訓練與測試模型等步驟，即該建立偵測模型步驟中採用可偵測10秒鐘ST改變事件的深度學習技術來建立偵測模型，並以該建立資料步驟建立之訓練集資料與測試集資料來對受測者的心電圖進行訓練與測試的執行，即針對心電圖進行訊號分離處理，且輸出5個時間步的10秒鐘的心電圖訊號，並進一步選取多時間步訊號、特徵值的提取及分類，機率較高的類別即為分類的結果，以偵測辨識出是否為ST改變事件，有效提升ST改變事件偵測準確度。
Description
本發明係有關於一種針對心電圖之ST改變事件的偵測辨識，特別是指一種具有時間關聯性分析的ST改變事件偵測方法。
查，心肌缺血是氧氣和營養輸送與心肌需求之間的不平衡所造成的，包括供應缺血與需求缺血，而供應缺血是因為冠狀動脈部分阻塞，導致進入心肌的含氧血液量減少，另外需求缺血則是指因為運動、心動過速或情緒引起的氧氣需求量增加，而導致暫時性不平衡的情況，故心肌缺血會導致部分心肌失去電活動，並可能導致急性心肌梗塞，最壞的情況甚至會導致死亡，因此，心肌缺血的早期診斷和治療是非常重要的，且心肌缺血通常是一種短暫現象，持續的時間有限，在短時間常規心電圖的檢查過程中容易被遺漏，是以，為了診斷心肌缺血，患者在維持正常生活的同時，需要採用長時間的霍特心電圖(Holter ECG)或動態心電圖(Ambulatory ECG; AECG)來連續記錄24小時兩到三個通道的心電圖數據，故心肌缺血在心電圖上的表現為ST區段水平和形態的短暫改變，稱為短暫的缺血性ST改變事件；然而，除了缺血性ST改變事件之外，還有其他非缺血性ST改變事件，包括心率化引起的ST區段水平和形態的變化、心臟電軸突然移動與心室傳導變化所導致ST區段水平突然的改變、以及晝夜變化或藥物作用導致ST區段水平緩慢漂移；因此，要在心電圖記錄中正確地偵測出代表心肌缺血的缺血性ST改變事件是一項重要且困難的任務。
接續前述，近年來已有一些研究採用提供註記的長時間ST資料庫(Long-Term ST Database)來開發缺血性ST改變事件自動偵測系統。長時間ST資料庫所提供四種ST改變事件的註記包括：
(1) ISE (Ischemic Event)：是與缺血相容的短暫ST段改變事件，稱為缺血性ST改變事件，其特徵在於 ST 段形態的改變，可能有或沒有伴隨心率的改變；這種缺血類型為典型且最常見的ST 段形態的改變包括水平變平、向下傾斜、成勺状(Scooping)、或抬高。
(2) HRE (Heart Rate Related Event)：是由於心率改變所引起的非缺血性且短暫的ST段改變事件，稱為與心率相關的ST改變事件，其特徵在於ST段形態和心率的改變；這種類型為典型且最常見的ST 段形態的改變包括J點降低且具有正斜率、T波進入ST段、 尖聳的T波、或與參考或基礎ST段相比的ST段平行移位。
(3) ASE (Axis Shift Event)：是由姿勢改變引起的非缺血性ST段改變事件，稱為軸偏移事件；其是由於心臟QRS電軸同時緩慢或突然改變所引起的緩慢或突然改變，其特點是Q波、R 波或S波振幅的改變。
(4) CCE (Conduction Change Event)：是由於心室傳導改變所引起的非缺血性ST偏移，稱為傳導改變事件；其是由於陣發性或間歇性右或左束支傳導阻礙，或其他緩慢或突然的心室內或間歇性QRS傳導改變引起的緩慢或突然變化，其特點是奇怪的和更寬的QRS 波。
因此，在先前的研究中，使用長時間ST資料庫所提出的缺血性ST改變事件偵測方法可以區分為基於特徵工程的方法(Feature-Engineering-Based Methods)和基於特徵學習的方法(Feature-Learning-Based Methods)，而基於特徵工程的方法是採用特定的方法先計算輸入訊號的特徵值，再訓練分類器，另外，基於特徵學習的方法則可以從訓練的過程中自動學習與分類輸入訊號的特徵值；然而，目前的基於特徵工程的方法都需要依賴資料庫註記的ST改變事件的起始點、極值點、或結束點來提取特徵值，且在真實世界的臨床應用，ST改變事件的起始點、極值點、或結束點都是無法事先取得的，因此這些方法將無法應用在臨床上沒有提供註記的心電圖訊號。
同時，現階段基於特徵學習的缺血性ST改變事件偵測系統則都是基於卷積神經網路(Convolutional Neural Network; CNN)所建立的模型；然而，CNN模型在隱藏層內的神經元並沒有記憶功能，所以只能學習現在輸入訊號的特徵，無法學習過去與現在輸入訊號之間的關聯性；因此由圖1所示是長時間ST資料庫用來註記ISE與HRE事件的ST偏差函數示意圖，其當中我們可以觀察到在一個ISE或HRE事件中，ST準位的變化是有時間先後順序的關聯性；故，一個完整的ISE或HRE事件是經歷了ST偏差從0下降到最小值，再從ST偏差最小值上升到0，其持續時間最短為30秒，最長可長達數十分鐘；再根據長時間ST資料庫的統計資料，使用協定B時，平均一個完整ISE事件的持續時間約為559秒(9分鐘55秒)；因此，如果深度學習模型也能夠學習ST準位變化的時間先後順序關聯性，則可預期能夠進一步提升ST改變事件偵測的準確度；藉此，為了可預期能夠進一步提升ST改變事件偵測的準確度，本案發明人潛心研究並更深入構思，且針對前述問題歷經多次研發改善後，以提出本發明之申請。
因此，本發明之目的，是在提供一種具有時間關聯性分析的ST改變事件偵測方法，其能有效提升偵測辨識心電圖是否為ST改變事件的準確度。
於是，本發明一種具有時間關聯性分析的ST改變事件偵測方法，其由一電腦軟體執行，對輸入之心電圖進行辨識，而該心電圖為受測者經一心電圖機量測所得，同時該心電圖至少包含PQRST波的心跳訊號，以對該PQRST波中之ST區段的變化進行偵測辨識，而所述偵測方法包含有建立偵測模型、建立資料集及訓練與測試模型等步驟；其中，該建立偵測模型步驟是採用可偵測10秒鐘ST改變事件的深度學習技術來建立偵測模型，且該偵測模型由選取多時間步訊號模組、殘差網路模組、長短期記憶模組以及全連接層模組所組成，另，該建立資料集步驟即採用長時間ST資料庫的心電圖訊號，以分別建立該偵測模型之1D ResNets-LSTM模組所需要的訓練集資料與測試集資料；是以，由該偵測模型以建立之該訓練集資料與測試集資料來對輸入之受測者的心電圖進行訓練與測試的執行，使輸入之心電圖先進行訊號分離處理，以輸出5個時間步的10秒鐘的心電圖訊號，且對輸出之5個時間步進行多時間步訊號的選取，並針對特徵進行提取與輸出，接續再以計算分類層兩個
輸出的機率並產生辨識結果，藉此可以有效大幅提升對受測者之心電圖是否為ST改變事件之偵測辨識的準確度。
(本發明)
1:建立偵測模型步驟
2:建立資料集步驟
3:訓練與測試集步驟
10:偵測模型
11:選取多時間步訊號模組
12:殘差網路模組
121:卷積神經網路特徵提取層
121a:1D卷積層
121b:批次正規化層
121c:激活層
121d:最大池化層
121e:捨棄層
122:殘差網路特徵提取層
1221:1D卷積層
a1、b1、c1、d1:卷積層
a2、b2、c2:批次正規化層
a3、b3、c3:激活層
c4:加法運算
123:平坦層
13:長短期記憶模組
131:遺忘閘
132:輸入閘
133:輸出閘
144:記憶單元
14:全連接層模組
圖1是長時間ST資料庫用來註記ISE與HRE事件的ST偏差函數示意圖。
圖2是本發明之一較佳實施例之流程圖。
圖3是該較佳實施例之偵測模型的方塊示意圖。
圖4a至圖4b是該較佳實施例之多時間步訊號選擇方式示意圖。
圖5是該較佳實施例之殘差網路模組的方塊示意圖。
圖6是圖5之該每一個卷積神經網路特徵提取層的方塊示意圖。
圖7是圖5之該每一個殘差網路特徵提取層的方塊示意圖。
圖8是該較佳實施例之長短期記憶模組的方塊示意圖。
圖9是圖8之該長短期記憶模組方塊圖。
圖10是該較佳實施例之該長短期記憶模組另一實施態樣的方塊示意圖。
圖11是該較佳實施例之多時間步輸入訊號示意圖。
有關本發明之前述及其他技術內容、特點與功效，在以下配合參考圖式之較佳實施例的詳細說明中，將可清楚的明白。
參閱圖2，本發明一較佳實施例，一種具有時間關聯性分析的ST改變事件偵測方法，其由一電腦軟體執行，以對輸入之心電圖進行辨識，而該心電圖為受測者經一心電圖機量測所得，同時該心電圖至
少包含PQRST波的心跳訊號，以對該PQRST波中之ST區段的變化進行偵測辨識，而所述偵測方法包含有一建立偵測模型步驟1、一建立資料集步驟2及一訓練與測試模型步驟3。
參閱圖3，仍續前述，在該建立偵測模型步驟1中係採用可偵測10秒鐘ST改變事件的深度學習技術來建立偵測模型10，且該偵測模型10由一選取多時間步訊號模組11、一殘差網路(Residual Networks，ResNets)模組12、至少一長短期記憶(Long Short-Term Memory；LSTM)模組13以及一全連接層模組14所組成之1D ResNets-LSTM模組；其中，該選取多時間步訊號模組11為具有一等間隔多時間步訊號選取模式及一不等間隔多時間步訊號選取模式組成，即先針對輸入之心電圖進行訊號分離處理，即對心電圖中會產生干擾的雜訊進行移除，並通過所述兩種不同模式來對前述輸出之5個時間步進行多時間步訊號的選取，以分離輸出5個時間步的10秒鐘心電圖，包括為Xt、Xt-1、Xt-2、Xt-3及Xt-4，即所述Xt為代表時間t時的10秒鐘電圖訊號，Xt-i為表示時間t往前i個時間步的10秒鐘心電圖訊號，每個時間步之間的間隔時間越長，則模型分析的是越長時間的ST準位變化的時間先後順序關聯性，請配合參閱圖4a，如圖中所示，經該選取多時間步訊號模組11所選取的每一個時間步之間的間隔時間都相等，且在圖中所顯示的間隔時間都為3秒鐘，而經該不等間隔多時間步訊號模式的選取後便會呈現為如圖4b所示，時間步t與t-1之間的間隔時間為3秒，時間步t-1與t-2之間的間隔時間為6秒，時間步t-2與t-3之間的間隔時間為9秒，至於時間步t-3與t-4之間的間隔時間為12秒。
請配合參閱圖5及6，而該殘差網路模組12是由二個相同的卷積神經網路(Convolutional Neural Network；CNN)特徵提取層121，八個特徵相同的殘差網路(Residual Networks，ResNets)特徵提取層122及一個平坦層123所組成，而前述該每一個卷積神經網路特徵提取層121包括有一個卷積濾波器之維度為3x1且可輸出256個特徵圖的1D卷積層(Convolutional Layer)121a，一個批次正規化層(Batch Normalization Layer)121b，一個使用ReLU函數的激活層(Activation Layer)121c，一個池化長度為2的最大池化層(Max Pooling Layer)121d，以及一個捨棄比率為0.5的捨棄層(Dropout)121e，該1D卷積層121a使用256個3×1卷積濾波器是用來提取輸入訊號的特徵值，而該批次正規化層121b是為了進入ReLU激活層121c之前對數據進行正規化，以提高神經網路的速度、性能和穩定性，同時該最大池化層121d的目的則是藉由選擇特徵圖中神經元鄰近區域的最大值，來降低網路的複雜性和過度擬合的可能性，且藉由池化大小為2可以將每一個特徵圖的元素數量減少一半，最後再由該捨棄層121e以通過隨機省略50%的節點，可減少過度擬合的情事產生，因為過度擬合會導致訓練準確率高，但測試準確率低。
請參閱圖7，為減輕該殘差網路模組12的參數量與計算量，所以該每一個殘差網路特徵提取層122為由呈瓶頸層設計之三個1D卷積層1221組成，其該等1D卷積層1221的第一個輸出維度為(1×1conv,32,/2)卷積層a1串接一個批次正規化層a2與一個ReLU函數的激活層a3，而該等1D卷積層1221的第二個輸出維度為(1×1conv,32)
卷積層b1也串接一個批次正規化層b2與一個ReLU函數的激活層b3，至於該等卷積層1221的第三個輸出維度為(1×1conv,256)卷積層c1串接一個批次正規化層c2，其輸出與快捷連接(Shortcut Connection)的輸出訊號進行加法運算(Add)c3，之後再經由ReLU激活層c4產生輸出訊號，特別是在快捷連接時，另增加使用輸出維度為(1×1,conv,256/2)卷積層d1，其目的是要讓加法運算時兩組輸出訊號的維度一致；舉例來說，若如為一個輸入訊號1×625×256為例(1×625是輸入訊號的維度，256是特徵圖的數量)來說明瓶頸層的設計可以減少參數量與計算量，假設輸入訊號是直接由一個1D卷積層(3×1,256)輸出1×625×256，其需要196,864個參數，12.3百萬個乘法，若這時使用瓶頸層的設計，其可經由3層1D卷積層(1×1,32)、(3×1,32)與(1×1，256)同樣可以輸出1×625×256，其僅需要19,776個參數與1.2百萬個乘法的運算量而已，是以，在前述例子中，直接使用一個卷積層與使用瓶頸層的設計相較，在使用瓶頸層的設計只需要十分之一的參數量與計算量，就可以節省177,088個參數與11.1百萬個乘法，特別的是，在本實施例中，該等殘差網路特徵提取層122中的第8個殘差網路特徵提取層122可設計輸出維度為2×256，並再經過一個該平坦層123轉換輸出1D特徵向量，使其維度為512×1的設計。
請參閱圖8及圖9，而該長短期記憶模組13分別由一遺忘閘(Forget Gate)131、一輸入閘(Input Gate)132、一輸出閘(Output Gate)133、以及一記憶單元(Memory)134等四個單元組成，在圖9中σ與tanh分別代表Sigmoid函數與雙曲正切函數，其中該Sigmoid函數產
生0~1之間的值，該雙曲正切函數則產生-1~+1之間的值，而在遺忘閘131的Sigmoid函數是用來決定上一個時間步的輸入帶進來的訊號，以及現在的時間步新增的輸入訊號，有多少比例要被遺忘且不被帶進下一個時間步，其該遺忘閘131Sigmoid函數的輸出方程式如下：ft=σ(wf[ht-1,Xt]+bf)
該輸入閘132的Sigmoid函數則用來決定有多少新的訊號要被記錄下來，該雙曲正切函數則是用來決定有多少訊號要用來更新單元狀態(Cell State)ct，因此該Sigmoid函數和雙曲正切函數的輸出方程式如下：i t =σ(w i [h t-1 ,X t ]+b i )
單元狀態的更新方程式下：
該輸出閘133Sigmoid函數用來決定有多少輸入訊號被留下來用於產生輸入的隱藏狀態(Hidden State)，Sigmoid函數輸出方程式如下：o t =σ(w o [h t-1 ,X t ]+b o )
c t 再經過雙曲正切函數，並且與結合後輸出隱藏狀態，其方程式如下：h t =o t ＊tanh(c t )
當單元狀態c t 與隱藏狀態h t ，都會被儲存於該記憶單元134中，以做為下一個時間步的輸入。
請參圖10所示，特別是，在本實施例中，該長短期記憶模組13可呈多層的設計，以下係以使用有5個時間步的二層該長短期記憶模組13為例說明，即當時間步t-i時，0
i
4，第一層該長短期記憶模組13會輸出隱藏狀態ht-i，做為第二層該長短期記憶模組13的輸入訊號，是以，只有在時間步是t時，第二層該長短期記憶模組13或最後一層該長短期記憶模組13會輸出隱藏狀態給後續的該全連接層模組14，最後由該全連接層模組14使用sofmax激活函數來計算，以使用該sofmax激活函數來計算分類兩個輸出的機率，因此機率較高的類別即為分類結果。
至於，在該建立資料集步驟2中，其分別建立該1D ResNets-LSTM模組所需要的訓練集資料與測試集資料，即採用長時間ST資料庫(Long-Term ST Database)的心電圖訊號，且其當中記錄有各自獨立且選自不同受測者之心電圖，以分別建立為所需的訓練資料集與測試資料集，同時根據長時間ST資料庫所提供的註記，每一個單一時間步10秒鐘心電圖分為ISE/HRE組或是非ISE/HRE組，因此，在訓練資料集與測試資料集中，ISE/HRE組與非ISE/HRE至少分別包括30000個單一時間步的10秒鐘心電圖訊號，例如根據圖4a至圖4b所提出多時間步訊號的選取方法，每一個單一時間步的10秒鐘心電圖訊號再結合前面4個時間步的訊號，擴充成5個時間步10秒鐘心電圖訊號，即如圖11所示，而在訓練模型時，提供給長短期記憶模組13的輸入訊號要有3個維度，一個維度是時間步的數量，一個維度是輸入訊號的長度，另一個維度是樣本大小(Batch Size)，樣本大小是指每一次訓練的迭代(Iteration)所需要的樣本數量。
在該訓練與測試模型步驟3，即以前述所建立之資料集來對深度學習技術之該偵測模型10輸入之受測者的心電圖進行訓練與測試的執行，以在訓練時，採用複數等份之受測者的心電圖以交叉驗證方式進行，即為採用10等份交叉驗證方式來訓練與測試所提出的深度學習技術之該偵測模型10，每一次只測試1等份的心電圖，其他9等份的心電圖用於訓練模型，同一位受測者的心電圖不會被分配到不同份中，以確保每一次的訓練集與測試集的受測者都是獨立的，避免訓練集與測試集同時出現來自於同一位受測者類似的心電圖訊號，使得測試受測者之心電圖是否為ST改變事件之準確度至少有效達到85%以上，以得到最終分類的偵測結果。
歸納前述，本發明一種具有時間關聯性分析的ST改變事件偵測方法，其透過建立偵測模組、建立資料集及訓練與測試模型等步驟進行，並採可偵測10秒鐘ST改變事件的深度學習技術來對輸入之受測者心電圖進行偵測辨識，且利用該偵測模組之選取多時間步訊號、殘差網路、至少一長短期記憶以及全連接層等模組所組成之1D ResNets-LSTM模組，分別對輸入之心電圖進行訊號分離處理，輸出5個時間步的10秒鐘的心電圖訊號，並進一步選取多時間步訊號、特徵值的提取及分類，機率較高的類別即為分類的結果，並將最終辨識結果輸出，以偵測過程中確實辨識出受測者的心電圖是否為ST改變事件，有效提升ST改變事件偵測準確度。
惟以上所述者，僅為說明本發明之較佳實施例而已，當不能以此限定本發明實施之範圍，即大凡依本發明申請專利範圍及發明說明
書內容所作之簡單的等效變化與修飾，皆應仍屬本發明專利涵蓋之範圍內。
1:建立偵測模型步驟
2:建立資料集步驟
3:訓練與測試集步驟
Claims (5)
- 一種具有時間關聯性分析的ST改變事件偵測方法，其由一電腦軟體執行，而所述偵測方法包含有：一建立偵測模型步驟，其採用可偵測10秒鐘ST改變事件的深度學習技術來建立偵測模型，而該偵測模型由一選取多時間步訊號模組、一殘差網路(Residual Networks，ResNets)模組、至少一長短期記憶(Long Short-Term Memory；LSTM)模組以及一全連接層模組所組成之1D ResNets-LSTM模組，其中，由該選取多時間步訊號模組具有一等間隔多時間步訊號選取模式及一不等間隔多時間步訊號選取模式組成，以針對輸入之受測者的心電圖進行訊號分離處理，以對心電圖中產生干擾的雜訊進行移除，並分離輸出5個時間步的10秒鐘的心電圖訊號，並通過兩種不同模式來對前述輸出之5個時間步進行多時間步訊號的選取，該殘差網路模組是由二個相同的卷積神經網路(Convolutional Neural Network；CNN)特徵提取層，八個特徵相同的殘差網路(Residual Networks，ResNets)特徵提取層及一個平坦層所組成，其用於提取每一時間步10秒鐘心電圖的特徵值後予以輸出，該長短期記憶模組以及全連接層模組則是接續該殘差網路模組後進行分類，即由該長短期記憶模組按照時間先後順序輸入，以將每一個時間步隱藏層的輸出儲存在記憶體中，再提供給下一個時間步的模組使用，形成時間循環神經網路模組，以提升分類的準確度，最後再由該全連接層使用Softmax激活函數來計算分類層兩個輸出的機率，機率較高的類別即為分類的結果；一建立資料集步驟，其分別建立該1D ResNets- LSTM模組所需要的訓練集資料與測試集資料，即採用長時間ST資料庫(Long-Term ST Database)的心電圖訊號，且在該訓練集資料與測試集資料中，該長時間ST資料庫所提供註記的每一個單一時間步10秒鐘心電圖分為ISE/HRE組或是非ISE/HRE組，在訓練資料集與測試資料集中，ISE/HRE組與非ISE/HRE至少分別包括30000個單一時間步的10秒鐘心電圖訊號；及 一訓練與測試模型步驟，其以前述所建立之資料集來對以深度學習技術之該偵測模型進行訓練與測試的執行，以在訓練時，採用複數等份之受測者的心電圖以交叉驗證方式進行，每一次只測試1等份的心電圖，其他剩餘等份的心電圖用於訓練模型，同一位受測者的心電圖不會被分配到不同份中，以確保每一次的訓練集與測試集的受測者都是獨立的，避免訓練集與測試集同時出現來自於同一位受測者類似的心電圖訊號，以得到最終分類偵測結果。
- 根據請求項1所述一種具有時間關聯性分析的ST改變事件偵測方法，其中，該每一個卷積神經網路特徵提取層包括有一個卷積濾波器之輸入訊號維度為3x1且可輸出256個特徵圖的1D卷積層(Convolutional Layer)，一個批次正規化層(Batch Normalization Layer)，一個使用ReLU函數的激活層(Activation Layer)，一個池化長度為2的最大池化層(Max Pooling Layer)，以及一個捨棄比率為0.5的捨棄層(Dropout)。
- 根據請求項1所述一種具有時間關聯性分析的ST改變事件偵測方法，其中，該每一個殘差網路特徵提取層為由呈瓶頸層設計之三個1D卷積層組成，其該等1D卷積層的第一個輸出維度為(1×1conv,32,/2)卷積層串接有一個批次正規化層與一個ReLU函數的激活層，而該等1D卷積層的第二個輸出維度為(1×1conv,32)卷積層也串接有一個批次正規化層與一個ReLU函數的激活層，至於該1D等卷積層的第三個輸出維度為(1×1conv,256)卷積層串接有一個批次正規化層，其輸出與快捷連接(Shortcut Connection)的輸出訊號進行加法(Add)運算，之後再經由ReLU激活層產生輸出訊號。
- 根據請求項1所述一種具有時間關聯性分析的ST改變事件偵測方法，其中，該長短期記憶模組分別由一遺忘閘(Forget Gate)、一輸入閘(Input Gate)、一輸出閘(Output Gate)、以及一記憶單元(Memory)等四個單元組成。
- 根據請求項4所述一種具有時間關聯性分析的ST改變事件偵測方法，其中，該長短期記憶模組可呈多層的設計。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW112119944A TWI837003B (zh) | 2023-05-29 | 2023-05-29 | 一種具有時間關聯性分析的st改變事件偵測方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW112119944A TWI837003B (zh) | 2023-05-29 | 2023-05-29 | 一種具有時間關聯性分析的st改變事件偵測方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| TWI837003B true TWI837003B (zh) | 2024-03-21 |
Family
ID=91269744
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW112119944A TWI837003B (zh) | 2023-05-29 | 2023-05-29 | 一種具有時間關聯性分析的st改變事件偵測方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI837003B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111743531A (zh) * | 2020-03-31 | 2020-10-09 | 江苏广宇淘璞网络科技有限公司 | 心电节律和形态异常识别及装置 |
| CN113397555A (zh) * | 2021-07-21 | 2021-09-17 | 南通大学附属医院 | 生理参数监测用c-lstm的心率失常分类算法 |
| CN115177262A (zh) * | 2022-06-13 | 2022-10-14 | 华中科技大学 | 一种基于深度学习的心音心电联合诊断装置和系统 |
| CN115530841A (zh) * | 2022-11-03 | 2022-12-30 | 浙江大学 | 一种无创心肌跨膜电位重建及异常点定位方法 |
-
2023
- 2023-05-29 TW TW112119944A patent/TWI837003B/zh active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111743531A (zh) * | 2020-03-31 | 2020-10-09 | 江苏广宇淘璞网络科技有限公司 | 心电节律和形态异常识别及装置 |
| CN113397555A (zh) * | 2021-07-21 | 2021-09-17 | 南通大学附属医院 | 生理参数监测用c-lstm的心率失常分类算法 |
| CN115177262A (zh) * | 2022-06-13 | 2022-10-14 | 华中科技大学 | 一种基于深度学习的心音心电联合诊断装置和系统 |
| CN115530841A (zh) * | 2022-11-03 | 2022-12-30 | 浙江大学 | 一种无创心肌跨膜电位重建及异常点定位方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11134880B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
| JP6986724B2 (ja) | 人工知能に基づく心電図干渉識別方法 | |
| CN113095302B (zh) | 用于心律失常分类的深度模型、利用该模型的方法及装置 | |
| EP3777674A1 (en) | Time series data learning and analyzing method using artificial intelligence | |
| US20080103403A1 (en) | Method and System for Diagnosis of Cardiac Diseases Utilizing Neural Networks | |
| CN110890155A (zh) | 一种基于导联注意力机制的多类心律失常检测方法 | |
| Luo et al. | Multi-classification of arrhythmias using a HCRNet on imbalanced ECG datasets | |
| CN113397555A (zh) | 生理参数监测用c-lstm的心率失常分类算法 | |
| CN110638430B (zh) | 级联神经网络ecg信号心律失常分类模型的搭建方法 | |
| CN112932433B (zh) | 一种心电图的心律失常自动分类方法 | |
| Mohagheghian et al. | Optimized signal quality assessment for photoplethysmogram signals using feature selection | |
| Zhou et al. | ECG quality assessment using 1D-convolutional neural network | |
| Dubatovka et al. | Automatic detection of atrial fibrillation from single-lead ECG using deep learning of the cardiac cycle | |
| Zhou et al. | Premature ventricular contraction detection from ambulatory ECG using recurrent neural networks | |
| Prabhakararao et al. | Congestive heart failure detection from ECG signals using deep residual neural network | |
| Liang et al. | A delay-based neuromorphic processor for arrhythmias detection | |
| Tallapragada et al. | Improved atrial fibrillation detection using CNN-LSTM | |
| TWI837003B (zh) | 一種具有時間關聯性分析的st改變事件偵測方法 | |
| Weems et al. | Classification of the ECG signal using artificial neural network | |
| Madona et al. | Classification of ECG signals using the Naïve Bayes classification method and its implementation in android-based smart health care | |
| Singh et al. | Atrial fibrillation classification using transfer learning | |
| Abo-Zahhad et al. | Classification of ECG Signals for Detecting Coronary Heart Diseases Using Deep Transfer Learning Techniques | |
| Nandanwar et al. | Ecg signals-early detection of arrhythmia using machine learning approaches | |
| CN111513702A (zh) | 心电数据的检测方法及存储介质 | |
| Jeon et al. | Arrhythmia classification system using deep neural network |