WO2021170043A1 - 心电数据的分类方法、分类系统、计算机设备及存储介质 - Google Patents

心电数据的分类方法、分类系统、计算机设备及存储介质 Download PDF

Info

Publication number
WO2021170043A1
WO2021170043A1 PCT/CN2021/077924 CN2021077924W WO2021170043A1 WO 2021170043 A1 WO2021170043 A1 WO 2021170043A1 CN 2021077924 W CN2021077924 W CN 2021077924W WO 2021170043 A1 WO2021170043 A1 WO 2021170043A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
feature vector
ecg
vector
feature
Prior art date
Application number
PCT/CN2021/077924
Other languages
English (en)
French (fr)
Inventor
祖春山
Original Assignee
京东方科技集团股份有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 京东方科技集团股份有限公司 filed Critical 京东方科技集团股份有限公司
Priority to US17/621,665 priority Critical patent/US20230153391A1/en
Publication of WO2021170043A1 publication Critical patent/WO2021170043A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • 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
    • G06N3/045—Combinations of networks
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • 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]
    • 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
    • A61B5/347—Detecting the frequency distribution of signals
    • 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
    • A61B5/24—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
    • A61B5/366—Detecting abnormal QRS complex, e.g. widening
    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning

Definitions

  • the present disclosure relates to the field of medical information technology, and in particular to a classification method, classification system, computer equipment and storage medium of ECG data.
  • the ECG data classification method includes: obtaining multiple heartbeat data according to the ECG data; convolving and pooling the multiple heartbeat data to obtain a first feature vector; obtaining a second feature vector, the second A feature vector representing the frequency domain feature data of the multiple heart beat data and the time domain feature data of the multiple heart beat data; fusing the first feature vector and the second feature vector to generate a fused feature vector; According to the fusion feature vector, the classification information of the ECG data is obtained.
  • the ECG data classification method further includes: processing input data according to preset conditions; the preset conditions include:
  • x is the input data
  • y is the output data corresponding to x
  • i is the output data position index
  • j is the input data position index
  • the value range of i and j are both [1, M]
  • M is the data length
  • y i is the output data at position i
  • x i is the input data corresponding to the output data at position i
  • x j is the input data at position j
  • W g is the first weight matrix
  • W ⁇ is the third weight matrix
  • g(x j ) is the representation of the input data at position j
  • f(x i , x j ) maps the relationship between x i and x j
  • C(x i ) is a normalization factor
  • the input data is the multiple heart beat data; or, the input data is multiple heart beat data after the convolution; or, so The input data is multiple heartbeat data after the pooling.
  • the acquiring the second feature vector includes: performing frequency domain transformation on the multiple heart beat data to obtain frequency domain feature data of the multiple heart beat data; acquiring the multiple heart beat data Time-domain feature data of the data; obtaining the second feature vector according to the time-domain feature data of the multiple heart beat data and the frequency-domain feature data of the multiple heart beat data.
  • the obtaining the second feature vector according to the time domain feature data of the multiple heartbeat data and the frequency domain feature data of the multiple heartbeat data includes: according to the multiple Generate a first vector based on the time-domain feature data of the heartbeat data; generate a second vector based on the frequency-domain feature data of the multiple heartbeat data; fuse the first vector and the second vector to generate a second feature vector .
  • the acquiring multiple heartbeat data according to the ECG data includes: collecting the ECG data; filtering the ECG data to detect the center point and the starting and ending point positions of one heartbeat data; Extracting a plurality of continuous heartbeat data from the ECG data according to the center point and the starting and ending point positions, the multiple continuous heartbeat data including the heartbeat data at which the center point is located.
  • the ECG data classification system includes a first acquisition module, a network module, a second acquisition module, a fusion module and a classification module.
  • the first acquisition module is configured to acquire multiple heartbeat data according to the ECG data;
  • the network module is connected to the first acquisition module, and the network module is configured to convolve the multiple heartbeat data And pooling to obtain the first feature vector;
  • the second obtaining module is configured to obtain a second feature vector, the second feature vector representing the frequency domain feature data of the multiple heart beat data and the multiple heart beat data Time domain feature data;
  • a fusion module connected to the network module and the second acquisition module, and configured to fuse the first feature vector and the second feature vector to generate a fusion feature vector;
  • classification module Connected to the fusion module, and configured to obtain classification information of the ECG data according to the fusion feature vector.
  • the network module includes a convolutional layer and a pooling layer.
  • the network module further includes: a global information acquisition layer configured to process input data according to preset conditions; the preset conditions include:
  • x is the input data
  • y is the output data corresponding to x
  • i is the output data position index
  • j is the input data position index
  • the value range of i and j are both [1,M]
  • M is the data length
  • y i is The output data at position i
  • x i is the input data corresponding to the output data at position i
  • x j is the input data at position j
  • W g is the first weight matrix
  • W ⁇ is the first weight matrix.
  • a two-weight matrix, W ⁇ is the third weight matrix;
  • g(x j ) is the representation of the input data at position j;
  • f(x i , x j ) maps the relationship between x i and x j;
  • C (x i ) is a normalization factor; wherein, when the global information acquisition layer is located before the convolutional layer and is connected to the convolutional layer, the input data is the multiple heartbeat data; When the global information acquisition layer is located between the convolutional layer and the pooling layer, and is connected to both the convolutional layer and the pooling layer, the input data is the multiplicity after the convolution.
  • Heartbeat data when the global information acquisition layer is located behind the pooling layer and connected to the pooling layer, the input data is multiple heartbeat data after the pooling.
  • the second acquisition module is connected to the first acquisition module, and the second acquisition module is configured to perform frequency domain transformation on the multiple heartbeat data to obtain the frequency Acquire the time-domain feature data of the multiple heartbeat data; obtain the second data according to the time-domain feature data of the multiple heartbeat data and the frequency domain feature data of the multiple heartbeat data Feature vector.
  • the second acquisition module includes a vector generation module and a vector fusion module.
  • the vector generation module is configured to: generate a first vector according to the time-domain feature data of the multiple heartbeat data; generate a second vector according to the frequency-domain feature data of the multiple heartbeat data; the vector The fusion module is configured to fuse the first vector and the second vector to generate a second feature vector.
  • F f [(W EL F E ) ⁇ F L , (W LE F L ) ⁇ F E ] to combine the first feature vector with the first feature vector
  • Two eigenvectors are fused to generate a fusion eigenvector; where Fl is the first eigenvector, F E is the second eigenvector, F f is the fusion eigenvector, W EL is the fourth weight matrix, W LE is the fifth weight matrix.
  • the first acquisition module further includes: an acquisition module configured to acquire the ECG data; a processing module connected to the acquisition module, and the processing module is configured to analyze the heart The electrical data is filtered to detect the center point and start and end positions of a heartbeat data; an extraction module is connected to the processing module, and the extraction module is configured to obtain data from the electrocardiogram data according to the center point and the start and end positions. Extract multiple consecutive heartbeat data in the, and the multiple consecutive heartbeat data includes the heartbeat data where the center point is located.
  • a computer device including: a memory and a processor; the memory stores a computer program that can run on the processor, and the processor executes the computer program to make the computer device Realize the ECG data classification method as described in any of the above embodiments.
  • a computer-readable storage medium which stores a computer program, wherein the computer program is executed by a processor to implement the ECG data classification method described in any of the foregoing embodiments.
  • a computer program product includes computer program instructions, and when the computer program instructions are executed on a computer, the computer program instructions cause the computer to execute one or more of the ECG data classification methods described in any of the above embodiments step.
  • a computer program When the computer program is executed on a computer, the computer program causes the computer to execute one or more steps in the ECG data classification method described in any of the above embodiments.
  • Fig. 1 is a flowchart of a method for classifying ECG data according to some embodiments
  • Figure 2B is a waveform diagram of a single heartbeat data according to some embodiments.
  • Fig. 3 is a flowchart of another ECG data classification method according to some embodiments.
  • Fig. 4 is a flowchart of still another method for classifying ECG data according to some embodiments.
  • Fig. 5 is a flowchart of yet another method for classifying ECG data according to some embodiments.
  • Fig. 6 is a structural diagram of an ECG data classification system according to some embodiments.
  • Fig. 7A is a structural diagram of another ECG data classification system according to some embodiments.
  • FIG. 7B is a structural diagram of still another ECG data classification system according to some embodiments.
  • Figure 7C is a structural diagram of yet another ECG data classification system according to some embodiments.
  • Fig. 8 is a structural diagram of yet another ECG data classification system according to some embodiments.
  • Fig. 10 is a structural diagram of yet another ECG data classification system according to some embodiments.
  • first and second are only used for descriptive purposes, and cannot be understood as indicating or implying relative importance or implicitly indicating the number of indicated technical features. Thus, the features defined with “first” and “second” may explicitly or implicitly include one or more of these features. In the description of the embodiments of the present disclosure, unless otherwise specified, “plurality” means two or more.
  • connection and its extensions may be used.
  • the term “connected” may be used when describing some embodiments to indicate that two or more components are in direct physical or electrical contact with each other.
  • ECG data plays an important role in the research of clinical medicine. It can comprehensively reflect the activity process of the heart and is easy to observe. It plays a very important role in the detection and diagnosis of heart disease. Since most heart diseases generally respond to a certain heart beat in a long period of time and are not easy to be found, the improvement in the automatic detection and classification of ECG data is of great significance to the doctor's auxiliary treatment.
  • Some embodiments of the present disclosure provide a method for classifying ECG data, as shown in FIG. 1, including:
  • the myocardium Before the heart is mechanically contracted, the myocardium is electrically excited. This current can be conducted to the body surface through tissues and body fluids, forming a potential difference on the surface of different parts of the body. This change in potential difference is recorded by an electrocardiograph, which is an electrocardiogram ( Electrocardiogram, ECG). The ECG recorded is the ECG data.
  • ECG Electrocardiogram
  • the ECG data includes a series of heartbeat data, that is, it includes multiple consecutive heartbeat data.
  • Each heart beat data refers to the electrocardiogram data generated by the heart beat once.
  • each heartbeat data may include:
  • P wave the potential transformation that reflects the depolarization process of the atrial muscle.
  • PR interval represents the time period from the depolarization of the atrial muscle to the depolarization of the ventricular muscle.
  • QRS complex reflects the potential changes during the depolarization of ventricular muscles.
  • QRS complexes are three closely connected waves: the first downward wave is the Q wave, the upward high wave after the Q wave is the R wave, and the downward wave after the R wave is the S wave.
  • QRS complex is a depolarization wave representing ventricular muscle in a broad sense, and not necessarily every QRS complex has three waves, Q, R, and S.
  • the ST segment is a flat line after the QRS complex and before the T wave, representing a period of time from the completion of all depolarization of the left and right ventricles to the beginning of repolarization.
  • T wave represents the total time from the beginning of depolarization to the completion of repolarization of ventricular muscles.
  • QT interval represents the total time from the beginning of depolarization to the completion of repolarization of the entire ventricular muscle.
  • each heartbeat data may also include a dwarf wavelet behind the T wave, which is called a U wave.
  • Each band in the heartbeat data represents a certain medical significance. If the heart is diseased, it will cause some distortion in the waveform shape of the heartbeat data.
  • the method of convolution and pooling of multiple heartbeat data to obtain the first feature vector is based on a convolutional neural network.
  • Some embodiments of the present disclosure input multiple heartbeat data (for example, multiple consecutive heartbeat data) into the convolutional neural network for convolution and pooling, and use the corresponding output result as the first feature vector.
  • the first feature vector can be obtained by using a convolutional neural network.
  • the first feature vector can effectively reflect the implicit medical information.
  • the ECG data classification method may further include: processing the input data according to preset conditions.
  • x is the input data
  • y is the output data corresponding to x
  • i is the output data position index
  • j is the input data position index
  • the value range of i and j are both [1, M]
  • M is the data length
  • y i is the output data at position i
  • x i is the input data corresponding to the output data at position i
  • x j is the input data at position j
  • W g is the first weight matrix
  • W ⁇ is the third weight matrix.
  • the paired function f(x i ,x j ) is used to map the relationship between x i and all x j
  • the unary function g(x j ) is used to calculate the representation of the input data at position j
  • the function C(x i ) Is the normalization factor.
  • the step of processing the input data according to the preset condition may be before the step of convolving and pooling multiple heartbeat data.
  • the input data may be multiple heartbeat data
  • the input data is processed according to preset conditions to obtain output data
  • the output data is convolved and pooled to obtain the first feature vector.
  • the step of processing the input data according to preset conditions may be after convolving multiple heartbeat data.
  • the input data may be multiple heartbeat data after convolution, and the input data may be input according to the preset conditions.
  • the output data is obtained after the data is processed, and the first feature vector can be obtained after the output data is pooled.
  • the step of processing the input data according to preset conditions may be after convolution and pooling of multiple heartbeat data.
  • the input data may be multiple heartbeat data after pooling.
  • Set the condition to process the input data to obtain the output data, and the output data can be the first feature vector.
  • the values of the first weight matrix, the second weight matrix, and the third weight matrix can be set as required, which is not limited in the present disclosure.
  • the step of processing input data according to preset conditions can make the data at any position in the input data and all the data within a certain data length where the data is located.
  • the data are related to each other.
  • the input data is processed according to preset conditions, that is, multiple heartbeat data are processed according to the preset conditions, which can enhance multiple heartbeats.
  • the correlation between the data thereby reducing the number of convolution and pooling required when convolving and pooling multiple heartbeat data.
  • multiple heartbeat data are more closely related after processing, the accuracy and reliability of the first feature vector obtained after convolution and pooling of the processed multiple heartbeat data are stronger.
  • the multiple heartbeat data after convolution and pooling are processed according to preset conditions, so as to avoid the complicated and difficult processing process caused by too much data.
  • multiple convolutions and pooling can also be performed on multiple heartbeat data after convolution and pooling according to preset conditions between multiple convolutions and pooling. In this way, not only can the problem of complex and difficult processing caused by too much data be avoided, but also the accuracy and reliability of the first feature vector can be improved.
  • the time-domain characteristic data of the multiple heartbeat data includes the interval, interval ratio, interval mean value, amplitude, width, etc. of a total of N heartbeat data before and after the current heartbeat data.
  • frequency domain feature data and the time domain feature data are complementary feature data.
  • the second feature vector can represent the frequency domain feature data of multiple heartbeat data and the time domain feature data of multiple heartbeat data. At this time, the second feature vector can reflect the explicit medical characteristics of multiple heartbeat data. .
  • the foregoing S40 includes:
  • the ECG data classification system 100 provided by some embodiments of the present disclosure has the same beneficial effects as the ECG data classification method provided above, and will not be repeated here.
  • the network module 20 includes a convolutional layer 21 and a pooling layer 22.
  • the convolution layer 21 is configured to convolve multiple heartbeat data;
  • the pooling layer 22 is configured to pool the multiple heartbeat data after convolution.
  • the network module 20 further includes: a global information acquisition layer 23.
  • the global information acquisition layer 23 is configured to process input data according to preset conditions;
  • the preset conditions include:
  • x is the input data
  • y is the output data corresponding to x
  • i is the output data position index
  • j is the input data position index
  • the value range of i and j are both [1, M]
  • M is the data length
  • y i is the output data at position i
  • x i is the input data corresponding to the output data at position i
  • x j is the input data at position j
  • W g is the first weight matrix
  • W ⁇ is the third weight matrix
  • g(x j ) is the representation of the input data at position j
  • f(x i , x j ) maps the relationship between x i and x j
  • C(x i ) is the normalization factor.
  • the input data is the multiple heartbeat data, and the input data is processed according to preset conditions.
  • the output data is obtained after processing, and the first feature vector can be obtained after convolution and pooling of the output data.
  • the input data is the convolution
  • the input data is processed according to preset conditions to obtain output data, and the output data is pooled to obtain the first feature vector.
  • the input data is multiple heartbeat data after the pooling, according to the preset
  • the condition processes the input data to obtain output data, and the output data may be the first feature vector.
  • the extraction module 3 is connected to the processing module 2.
  • the extraction module 3 is configured to extract multiple continuous heartbeat data from the ECG data according to the center point and the starting and ending point positions, and the multiple continuous heartbeat data includes all State the heartbeat data at the center point.
  • Some embodiments of the present disclosure also provide a computer-readable storage medium that stores a computer program, and when the computer program is executed by a processor, realizes the above-mentioned ECG data classification method.
  • Some embodiments of the present disclosure also provide a computer program.
  • the computer program When the computer program is executed on a computer, the computer program causes the computer to execute one or more steps in the ECG data classification method as described in the foregoing embodiment.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Cardiology (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)

Abstract

一种心电数据的分类方法，包括：根据心电数据获取多个心搏数据(S10)；对多个心搏数据进行卷积和池化，得到第一特征向量(S20)；获取第二特征向量，第二特征向量表征多个心搏数据的频域特征数据和多个心搏数据的时域特征数据(S30)；将第一特征向量和第二特征向量融合，生成融合特征向量(S40)；根据融合特征向量，得到心电数据的分类信息(S50)。

Description

心电数据的分类方法、分类系统、计算机设备及存储介质
本申请要求于2020年02月26日提交的、申请号为202010121385.2的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本公开涉及医疗信息技术领域，尤其涉及一种心电数据的分类方法、分类系统、计算机设备及存储介质。
背景技术
随着社会经济的发展，人们生活方式发生了深刻的变化。人口老龄化及城镇化进程的加速，中国心血管病流行趋势呈明显上升态势，心血管病的发病人数持续增加，对于心脏疾病的防治一直是国内外研究的热点。
发明内容
一方面，提供一种心电数据的分类方法。所述心电数据的分类方法包括：根据心电数据获取多个心搏数据；对多个心搏数据进行卷积和池化，得到第一特征向量；获取第二特征向量，所述第二特征向量表征所述多个心搏数据的频域特征数据和所述多个心搏数据的时域特征数据；将所述第一特征向量和所述第二特征向量融合，生成融合特征向量；根据所述融合特征向量，得到所述心电数据的分类信息。
在一些实施例中，所述心电数据的分类方法还包括：按照预设条件对输入数据进行处理；所述预设条件包括：
Figure PCTCN2021077924-appb-000001
g(x j)＝W gx j；
Figure PCTCN2021077924-appb-000002
其中，x为输入数据，y为x所对应的输出数据，i为输出数据位置索引，j为输入数据位置索引，i和j取值范围均为[1,M]，M为数据长度；y i为位置i处的所述输出数据，x i为位置i处的所述输出数据所对应的输入数据，x j为位置j处的所述输入数据；W g为第一权重矩阵、W θ为第二权重矩阵、W φ为第三权重矩阵；g(x j)为位置j处的所述输入数据的表示；f(x i,x j)映射x i和x j之间的关联关系；C(x i)为归一化因子；其中，所述输入数据为所述多个心搏数据；或者，所述输入数据为经所述卷积后的多个心搏数据；或者，所述输入数据为经所述池化后的多个心搏数据。
在一些实施例中，所述获取第二特征向量，包括：对所述多个心搏数据进行频域变换，得到所述多个心搏数据的频域特征数据；获取所述多个心博数据的时域特征数据；根据所述多个心搏数据的时域特征数据和所述多个心搏数 据的频域特征数据，得到所述第二特征向量。
在一些实施例中，所述根据所述多个心搏数据的时域特征数据和所述多个心搏数据的频域特征数据，得到所述第二特征向量，包括：根据所述多个心搏数据的时域特征数据，生成第一向量；根据所述多个心搏数据的频域特征数据，生成第二向量；将所述第一向量和第二向量融合，生成第二特征向量。
在一些实施例中，所述将所述第一特征向量和所述第二特征向量融合，生成融合特征向量，包括：利用F f＝[(W ELF E)×F L,(W LEF L)×F E]，将所述第一特征向量和所述第二特征向量融合，生成融合特征向量；其中，F L为所述第一特征向量，F E为所述第二特征向量，F f为所述融合特征向量，W EL为第四权重矩阵，W LE为第五权重矩阵。
在一些实施例中，所述根据心电数据获取多个心博数据，包括：采集所述心电数据；对所述心电数据进行滤波，检测一个心博数据的中心点和起止点位置；根据所述中心点和起止点位置从所述心电数据中提取连续的多个心博数据，所述连续的多个心博数据包括所述中心点所在的心博数据。
另一方面，提供了一种心电数据的分类系统。所述心电数据的分类系统包括第一获取模块、网络模块、第二获取模块、融合模块和分类模块。第一获取模块，被配置为根据心电数据获取多个心搏数据；网络模块，与所述第一获取模块相连接，所述网络模块被配置为对所述多个心搏数据进行卷积和池化，得到第一特征向量；第二获取模块，被配置为获取第二特征向量，所述第二特征向量表征所述多个心搏数据的频域特征数据和多个心搏数据的时域特征数据；融合模块，与所述网络模块和所述第二获取模块均相连接，被配置为将所述第一特征向量和所述第二特征向量融合，生成融合特征向量；分类模块，与所述融合模块相连接，被配置为根据所述融合特征向量，得到所述心电数据的分类信息。
在一些实施例中，所述网络模块包括卷积层和池化层。
在一些实施例中，所述网络模块还包括：全局信息获取层，被配置为按照预设条件对输入数据进行处理；所述预设条件包括：
Figure PCTCN2021077924-appb-000003
g(x j)＝W gx j；
Figure PCTCN2021077924-appb-000004
x为输入数据，y为x所对应的输出数据，i为输出数据位置索引，j为输入数据位置索引，i和j取值范围均为[1,M]，M为数据长度；y i为位置i处的所述输出数据，x i为位置i处的所述输出数据所对应的输入数据，x j为位置j处的所述输入数据；W g为第一权重矩阵、W θ为第二权重矩阵、W φ为第三权重 矩阵；g(x j)为位置j处的所述输入数据的表示；f(x i,x j)映射x i和x j之间的关联关系；C(x i)为归一化因子；其中，当所述全局信息获取层位于卷积层之前且与所述卷积层相连接时，所述输入数据为所述多个心搏数据；当所述全局信息获取层位于所述卷积层和所述池化层之间，且与所述卷积层和所述池化层均连接时，所述输入数据为经所述卷积后的多个心搏数据；当所述全局信息获取层位于池化层之后且与所述池化层相连接时，所述输入数据为经所述池化后的多个心搏数据。
在一些实施例中，所述第二获取模块，与所述第一获取模块相连接，所述第二获取模块被配置为：对所述多个心搏数据进行频域变换，得到所述频域特征数据；获取所述多个心博数据的时域特征数据；根据所述多个心博数据的时域特征数据和所述多个心博数据的频域特征数据，得到所述第二特征向量。
在一些实施例中，所述第二获取模块包括向量生成模块和向量融合模块。所述向量生成模块被配置为：根据所述多个心博数据的时域特征数据，生成第一向量；根据所述多个心博数据的频域特征数据，生成第二向量；所述向量融合模块被配置为将所述第一向量和所述第二向量融合，生成第二特征向量。
在一些实施例中，所述融合模块被配置为利用F f＝[(W ELF E)×F L,(W LEF L)×F E]，将所述第一特征向量和所述第二特征向量融合，生成融合特征向量；其中，F L为所述第一特征向量，F E为所述第二特征向量，F f为所述融合特征向量，W EL为第四权重矩阵，W LE为第五权重矩阵。
在一些实施例中，所述第一获取模块还包括：采集模块，被配置为采集所述心电数据；处理模块，与所述采集模块相连接，所述处理模块被配置为对所述心电数据进行滤波，检测一个心博数据的中心点和起止点位置；提取模块，与所述处理模块相连，所述提取模块被配置为根据所述中心点和起止点位置从所述心电数据中提取连续的多个心博数据，所述连续的多个心博数据包括所述中心点所在的心博数据。
再一方面，提供了一种计算机设备，包括：存储器和处理器；所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序使得所述计算机设备实现如上述任一实施例所述的心电数据的分类方法。
又一方面，提供了一种计算机可读存储介质，其存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述任一实施例所述的心电数据的分类方法。
又一方面，提供一种计算机程序产品。所述计算机程序产品包括计算机程序指令，在计算机上执行所述计算机程序指令时，所述计算机程序指令使计算 机执行如上述任一实施例所述的心电数据的分类方法中的一个或多个步骤。
又一方面，提供一种计算机程序。当所述计算机程序在计算机上执行时，所述计算机程序使计算机执行如上述任一实施例所述的心电数据的分类方法中的一个或多个步骤。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。此外，以下描述中的附图可以视作示意图，并非对本公开实施例所涉及的产品的实际尺寸、方法的实际流程、信号的实际时序等的限制。
图1为根据一些实施例的一种心电数据的分类方法的流程图；
图2A为根据一些实施例的一种心电数据的波形图；
图2B为根据一些实施例的单个心搏数据的波形图；
图3为根据一些实施例的另一种心电数据的分类方法的流程图；
图4为根据一些实施例的再一种心电数据的分类方法的流程图；
图5为根据一些实施例的又一种心电数据的分类方法的流程图；
图6为根据一些实施例的一种心电数据的分类系统的结构图；
图7A为根据一些实施例的另一种心电数据的分类系统的结构图；
图7B为根据一些实施例的再一种心电数据的分类系统的结构图；
图7C为根据一些实施例的又一种心电数据的分类系统的结构图；
图8为根据一些实施例的又一种心电数据的分类系统的结构图；
图9为根据一些实施例的又一种心电数据的分类系统的结构图；
图10为根据一些实施例的又一种心电数据的分类系统的结构图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
除非上下文另有要求，否则，在整个说明书和权利要求书中，术语“包括(comprise)”及其其他形式例如第三人称单数形式“包括(comprises)”和现在分词形式“包括(comprising)”被解释为开放、包含的意思，即为“包 含，但不限于”。在说明书的描述中，术语“一个实施例(one embodiment)”、“一些实施例(some embodiments)”、“示例性实施例(exemplary embodiments)”、“示例(example)”、“特定示例(specific example)”或“一些示例(some examples)”等旨在表明与该实施例或示例相关的特定特征、结构、材料或特性包括在本公开的至少一个实施例或示例中。上述术语的示意性表示不一定是指同一实施例或示例。此外，所述的特定特征、结构、材料或特点可以以任何适当方式包括在任何一个或多个实施例或示例中。
以下，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在描述一些实施例时，可能使用了“连接”及其衍伸的表达。例如，描述一些实施例时可能使用了术语“连接”以表明两个或两个以上部件彼此间有直接物理接触或电接触。
“A和/或B”，包括以下三种组合：仅A，仅B，及A和B的组合。
本文中“适用于”或“被配置为”的使用意味着开放和包容性的语言，其不排除适用于或被配置为执行额外任务或步骤的设备。
另外，“基于”的使用意味着开放和包容性，因为“基于”一个或多个所述条件或值的过程、步骤、计算或其他动作在实践中可以基于额外条件或超出所述的值。
心电数据在临床医学的研究中地位举足轻重，它能够综合反映心脏的活动过程，且易于观察，对于心脏病的检测和诊断有着十分重要的作用。由于大部分心脏疾病一般反应在较长时间段中的某一心搏中，不易被发现，因此，在心电数据的自动检测和分类方法上的改进，对医生的辅助治疗极具意义。
本公开的一些实施例提供一种心电数据的分类方法，如图1所示，包括：
S10、根据心电数据获取多个心搏数据。
心脏机械收缩之前，心肌先产生电激动，这种电流能通过组织和体液传导至体表，在身体不同部位的表面形成电位差，将这种变动的电位差用心电图机记录下来即为心电图(Electrocardiogram，ECG)。心电图所记录的即为心电数据。
如图2A所示，心电数据包括一系列心搏数据，即包括连续的多个心博数据。每个心搏数据指的是心脏跳动一次所产生的心电数据。
示例性的，如图2B所示，每个心搏数据可以包括：
P波：反映心房肌除极过程的电位变换。
PR间期：代表从心房肌开始除极到心室肌开始除极的时限。
QRS波群：反映了心室肌除极过程中的电位变化。通常QRS波群是三个紧密相连的波：第一个向下的波为Q波，继Q波后的一个向上的高波为R波，继R波后向下的波为S波。“QRS波群”是广义的代表心室肌的除极波，并不一定每个QRS波群都具有Q、R、S三个波。
ST段，是QRS波群以后、T波以前的一段平线，代表左、右心室全部除极完毕到复极开始以前的一段时间。
T波：代表心室肌自开始除极至复极完毕的总时间。
QT间期：代表整个心室肌自开始除极至复极完毕的总时间。
在此基础上，示例性的，每个心博数据还可以包括在T波后面的一个矮小波，称其为U波。
心博数据中的每个波段都代表着一定的医学意义，如果心脏发生病变，就会使得心搏数据在波形形态上发生某些畸变。
基于此，示例性的，可以选择合适的时间长度(例如1秒)，或者，根据S波和T波的位置，从心电数据中获取多个心搏数据，从而对心电数据进行分类。
S20、对多个心搏数据进行卷积和池化，得到第一特征向量。
需要说明的是，本公开一些实施例中对多个心搏数据进行卷积和池化，得到第一特征向量的方法是基于卷积神经网络进行的。
为了便于理解本公开的技术方案，首先对卷积神经网络的基本原理进行介绍。
卷积神经网络是深度学习中的监督学习方法，就是一个模拟神经网络的多层次网络连接机构，输入数据依次通过每个层，在其中进行一系列复杂的数据处理，例如，卷积(Convolution)、池化(Pooling)、正则化(Regularization)、防止过拟合、丢弃(Dropout)、激活(Activation)。一般使用Relu激活函数，逐层自动地抽象出输入数据的一些特征，然后把这些特征作为输入再传递到高一层进行计算。示例性的，卷积神经网络包括LeNet、AlexNet、VGG、NiN、GooLeNet、ResNet等类型。
本公开一些实施例将多个心搏数据(例如连续的多个心博数据)输入至卷积神经网络进行卷积和池化，将相应的输出结果作为第一特征向量。其中，利用卷积神经网络可以获取第一特征向量。第一特征向量可以有效的反映隐式的医学信息。
需要说明的是，多个心搏数据输入至卷积神经网络中，可以根据需要进行多次卷积和池化，本公开对卷积和池化的次数不进行限定。
在一些实施例中，心电数据的分类方法还可以包括：按照预设条件对输入数据进行处理。
预设条件包括：
Figure PCTCN2021077924-appb-000005
g(x j)＝W gx j；
Figure PCTCN2021077924-appb-000006
其中，x为输入数据，y为x所对应的输出数据，i为输出数据位置索引，j为输入数据位置索引，i和j取值范围均为[1,M]，M为数据长度；y i为位置i处的所述输出数据，x i为位置i处的所述输出数据所对应的输入数据，x j为位置j处的所述输入数据；W g为第一权重矩阵、W θ为第二权重矩阵、W φ为第三权重矩阵。
成对函数f(x i,x j)用于映射x i和所有x j之间的关联关系，一元函数g(x j)用于计算位置j处的输入数据的表示，函数C(x i)为归一化因子。
其中，按照预设条件对输入数据进行处理的步骤可以是在对多个心博数据进行卷积和池化的步骤之前。此时，输入数据可以是多个心搏数据，按照预设条件对输入数据进行处理后得到输出数据，对输出数据进行卷积和池化后可以得到第一特征向量。或者，按照预设条件对输入数据进行处理的步骤可以在对多个心博数据进行卷积之后，此时，输入数据可以是经卷积后的多个心搏数据，按照预设条件对输入数据进行处理后得到输出数据，对输出数据进行池化后可以得到第一特征向量。再或者，按照预设条件对输入数据进行处理的步骤可以在对多个心博数据进行卷积和池化之后，此时，输入数据可以是经池化后的多个心搏数据，按照预设条件对输入数据进行处理后得到输出数据，输出数据可以是第一特征向量。
还需要说明的是，第一权重矩阵，第二权重矩阵，第三权重矩阵的值可以根据需要进行设定，本公开对此不进行限定。
本公开一些实施例所提供的心电数据的分类方法中，按照预设条件对输入数据进行处理的步骤，能够使输入数据中任一位置处的数据与该数据所在的一定数据长度内的全部数据之间相互关联。
这样，在对多个心博数据进行卷积和池化处理步骤之前，按照预设条件对输入数据进行处理，也即按照预设条件对多个心博数据进行处理，可以增强多个心博数据之间的关联性，从而减少对多个心博数据进行卷积和池化时，需要的卷积和池化的次数。同时，由于多个心博数据在处理后关联性较强，因此在对处理后的多个心博数据进行卷积和池化后，得到的第一特征向量的准确性 和可靠性更强。
另外，由于对多个心博数据进行卷积和池化后，输出的数据量与输入的数据相比会相应减少，因此，也可以在对多个心博数据进行卷积和池化处理步骤之后，按照预设条件对卷积和池化后的多个心博数据进行处理，从而可以避免因数据过多造成处理过程复杂难度较大的问题。
当需要对多个心博数据进行多次卷积和池化时，也可以在多次卷积和池化之间按照预设条件对卷积和池化后的多个心博数据进行处理，这样，不仅能够避免出现因数据过多造成处理过程复杂难度较大的问题，还能够提高第一特征向量的准确性和可靠性更强。
S30、获取第二特征向量，第二特征向量表征多个心搏数据的频域特征数据和多个心博数据的时域特征数据。
多个心博数据的时域特征数据包括当前心搏数据的前后共N个心搏数据的间期、间期比、间期均值、幅度、宽度等。
其中，间期指的是相邻两个R波之间的时间差；间期比指的是相邻两个间期的比值；间期均值指的是多个间期的平均值；幅度指的是QRS波幅度，也可以是单独Q波、R波、S波的幅度，或者其它组合；宽度指的是QRS波宽度，也可以是单独Q波、R波、S波的宽度，或者其它组合。
示例性的，若包括当前多个心搏数据中共计11个心搏数据，则有11个R波，相应有10个间期，求该10个间期的平均值为间期均值。
需要说明的是，频域特征数据和时域特征数据是互补的特征数据。
第二特征向量能够表征多个心博数据的频域特征数据和多个心博数据的时域特征数据，此时，第二特征向量能够反映出多个心博数据具有的显式的医学特征。
S40、将第一特征向量和第二特征向量融合，生成融合特征向量。
可选地，上述S40包括：
利用F f＝[(W ELF E)×F L,(W LEF L)×F E]，将第一特征向量和第二特征向量融合，生成融合特征向量。其中，F L为第一特征向量，F E为第二特征向量，F f为所述融合特征向量，W EL为第四权重矩阵，W LE为第五权重矩阵。
需要说明的是，根据第二特征向量F E和第四权重W EL，利用C L＝W ELF E，计算得到第一系数C L；然后，将第一系数C L作用于第一特征向量F L，得到第一子融合特征向量F LT＝(W ELF E)×F L。
根据第一特征向量F L和第五权重矩阵W LE，利用C E＝W LEF L，计算得到第二系数C E；然后，将第二系数作用于第二特征向量F E，得到第二子融合特征 向量F ET＝(W LEF L)×F E。再将第一子融合特征向量和第二子融合特征向量以拼接、求和的方式，生成融合特征向量F f。
此处，第四权重矩阵，第五权重矩阵的值可以根据需要进行设定，本公开对此不进行限定。
由于该融合特征向量由第一特征向量和第二特征向量融合生成，因此，该融合特征向量既能反映显式的医学信息又能反应隐式的医学信息，从而使得在利用该融合特征向量获取心电数据的分类信息时，既能提高分类准确度，又能提高泛化能力。
S50、根据融合特征向量，得到心电数据的分类信息。其中，心电数据的分类信息例如包括窦性心搏、室性心搏、室上性心搏、起搏心搏等多种类型。
示例性的，根据融合特征向量，可以利用支持向量机(Support Vector Machine，简称SVM)，或者，多层感知机(Multilayer Perceptron，简称MLP)，采用机器学习方法，得到心电数据的分类信息。
还需要说明的是，在使用多层感知机对融合特征向量进行分类之前，需要对多层感知机进行训练，通过改变多层感知机中的权重和偏置，以使得多层感知机在使用时达到高准确率。
本公开的一些实施例提供的心电数据的分类方法，可以根据心电数据获取多个心搏数据，对多个心搏数据进行卷积和池化，得到第一特征向量；并且可以获取第二特征向量，第二特征向量表征多个心搏数据的频域特征数据和多个心搏数据的时域特征数据。然后，将第一特征向量与获取的第二特征向量进行融合，生成融合特征向量；并根据融合特征向量，得到心电数据的分类信息。由于，融合特征向量融合了第一特征向量和第二特征向量，因此，该融合特征向量既能够反映第一特征向量所反映的隐式的医学信息，又能够反映第二特征向量所反映的显示的医学信息，从而使得在后续利用融合特征向量获取分类信息时，提高了心电数据分类的准确度。
在一些实施例中，如图3所示，上述S30、获取第二特征向量，第二特征向量表征多个心搏数据的频域特征数据和多个心博数据的时域特征数据，可以包括：
S31、对多个心搏数据进行频域变换，得到多个心搏数据的频域特征数据。
此处，对多个心搏数据进行频域变换，例如，可以通过短时傅里叶变换(Short Time Fourier Transform，简称STFT)得到频谱图，再经过梅尔滤波器组变换，获取梅尔频谱。
可以理解的是，根据梅尔频谱，并通过梅尔频谱中的纵轴信息，即可得到 心搏数据的频域特征数据。
S32、获取多个心博数据的时域特征数据。例如，采集当前心博数据的先后共N个心博数据的间期、间期比、间期均值、幅度、宽度等数据。
S33、根据多个心博数据的时域特征数据和多个心博数据的频域特征数据，得到第二特征向量。
其中，示例性的，如图4所示，S33、根据多个心博数据的时域特征数据和多个心博数据的频域特征数据，得到第二特征向量，可以包括：
S331、根据多个心博数据的时域特征数据，生成第一向量。
S332、根据多个心博数据的频域特征数据，生成第二向量。
S333、将第一向量和第二向量融合，生成第二特征向量。
其中，将第一向量和对第二向量进行融合，生成第二特征向量，例如可以采用拼接的方式将第一向量和第二向量融合。或者，还可以用其他方式将第一向量和第二向量进行融合，本公开并不仅限制于此。
这样，第二特征向量不仅能够表征多个心博数据的时域特征数据还能够表征多个心博数据的频域特征数据，从而在利用第二特征数据对心电数据进行分类时，有利于提高心电数据的分类信息的准确性。
在一些实施例中，如图5所示，上述S10、根据心电数据获取多个心博数据，可以包括：
S1、采集心电数据。
示例性的，可以通过心电图机采集心电数据。
S2、对心电数据进行滤波，检测一个心博数据的中心点和起止点位置。
S3、根据中心点和起止点位置从心电数据中提取连续的多个心博数据，所述连续的多个心博数据包括所述中心点所在的心博数据。
心电数据的噪声干扰一般包括肌电干扰、基线漂移和工频干扰等。肌电干扰是人体的肌肉运动和肌肉颤动所产生的毫伏级电势，一般情况下可以使用带通滤波器对其进行降噪处理；基线漂移是电极移动，人体呼吸等低频噪声引起的干扰，频率一般小于5Hz，因此，通过低通滤波去除肌电干扰；工频干扰为固定频率为50Hz或60Hz的公共电网以及各种用电设备产生的干扰，可以使用自适应滤波进行消除达到好的效果。
对心电数据进行检测，可以是直接对心电数据进行检测，也可以是对经滤波后的心电数据进行检测。其中，可以通过寻找波形峰值的方式，检测定位一个心搏数据的中心点以及起止点。
其中，根据所述中心点和起止点位置，可以从心电数据中提取连续的多个 心博数据，连续的多个心博数据包括所述中心点所在的心博数据。此处，需要说明的是，所述中心点所在的心博数据的中心可以与多个心博数据的中心重合，或者，所述中心点所在的心博数据的中心也可以不与连续的多个心博数据的中心重合。
在一些实施例中，还可以对每个心搏数据进行处理。例如，检测心搏数据中的R波波峰位置，从心搏数据中截取从R波波峰位置向P波方向第一预设时间段内(可以根据需要进行设定，本公开对此不进行限定，例如，第一预设时间段为0.2秒)的数据，数据长度不够时则进行补零操作；然后，从心搏数据中截取从R波波峰位置向T波方向第二预设时间段内(可以根据需要进行设定，本公开对此不进行限定，例如，第二预设时间段为0.5秒)的数据，同样，数据长度不够时则进行补零操作。其中，第一预设时间段和第二预设时间段可以相同，也可以不同。
本公开的一些实施例还提供一种心电数据的分类系统100，如图6所示，包括：
第一获取模块10，被配置为根据心电数据获取多个心搏数据。
网络模块20，与第一获取模块10相连接，网络模块20被配置为对多个心搏数据进行卷积和池化，得到第一特征向量。
第二获取模块30，被配置为获取第二特征向量，第二特征向量表征所述多个心搏数据的频域特征数据和所述多个心搏数据的时域特征数据。
融合模块40，与网络模块20和第二获取模块30均相连接，被配置为将第一特征向量和第二特征向量融合，生成融合特征向量。
分类模块50，与融合模块40相连接，被配置为根据融合特征向量，得到心电数据的分类信息。
本公开的一些实施例提供的一种心电数据的分类系统100，与上述提供的一种心电数据的分类方法具有相同的有益效果，在此不再赘述。
在一些实施例中，如图7A～图7C所示，所述网络模块20包括卷积层21和池化层22。卷积层21被配置为对多个心博数据进行卷积；池化层22被配置为对卷积后的多个心博数据进行池化。
在一些实施例中，如图7A～图7C所示，网络模块20还包括：全局信息获取层23。全局信息获取层23被配置为按照预设条件对输入数据进行处理；
所述预设条件包括：
Figure PCTCN2021077924-appb-000007
g(x j)＝W gx j；
Figure PCTCN2021077924-appb-000008
其中，x为输入数据，y为x所对应的输出数据，i为输出数据位置索引，j为输入数据位置索引，i和j取值范围均为[1,M]，M为数据长度；y i为位置i处的所述输出数据，x i为位置i处的所述输出数据所对应的输入数据，x j为位置j处的所述输入数据；W g为第一权重矩阵、W θ为第二权重矩阵、W φ为第三权重矩阵；g(x j)为位置j处的所述输入数据的表示；f(x i,x j)映射x i和x j之间的关联关系；C(x i)为归一化因子。
其中，当全局信息获取层23位于卷积层21之前且与卷积层21相连接时(如图7A所示)，输入数据为所述多个心搏数据，按照预设条件对输入数据进行处理后得到输出数据，对输出数据进行卷积和池化后可以得到第一特征向量。当全局信息获取层23位于卷积层21和池化层22之间，且与卷积层21和池化层22均连接时(如图7B所示)，所述输入数据为经卷积后的多个心搏数据，按照预设条件对输入数据进行处理后得到输出数据，对输出数据进行池化后可以得到第一特征向量。当全局信息获取层23位于池化层22之后且与池化层22相连接时(如图7C所示)，所述输入数据为经所述池化后的多个心搏数据，按照预设条件对输入数据进行处理后得到输出数据，输出数据可以是第一特征向量。
在一些实施例中，如图8所示，第二获取模块30，还与第一获取模块10相连接，第二获取模块30被配置为：对所述多个心搏数据进行频域变换，得到多个心搏数据的频域特征数据；获取多个心博数据的时域特征数据；根据多个心博数据的时域特征数据和多个心博数据的频域特征数据得到所述第二特征向量。
在一些实施中，如图9所示，第二获取模块30还包括：向量生成模块31和向量融合模块32。其中，向量生成模块31被配置为：根据多个心博数据的时域特征数据，生成第一向量，根据多个心博数据的频域特征数据，生成第二向量。向量融合模块32被配置为将第一向量和第二向量融合，生成第二特征向量。
在一些实施例中，融合模块40被配置为利用F f＝[(W ELF E)×F L,(W LEF L)×F E]，对所述第一特征向量和所述第二特征向量融合，生成融合特征向量。
其中，F L为所述第一特征向量，F E为所述第二特征向量，F f为所述融合特征向量，W EL为第四权重矩阵，W LE为第五权重矩阵。
在此基础上，可将网络模块20、融合模块40和分类模块50共同构建成一个端到端的网络模型P，包括两个输入端和一个输出端，两个输入端分别输入多个心搏数据和第二特征向量，输出端输出对应的分类信息。
其中，如图10所示，该网络模型P包括卷积层21、池化层22、全局信息获取层23、融合层(对应于融合模块40)和全连接层(对应于分类模块50)。
在此基础上，该网络模型P还包括暂时丢弃层(Dropout)和激活函数层(Activation)。当然，该网络模型并不限于上述结构，其具体的内部结构可以根据需要进行设置，本公开对此不进行限定。
在一些实施例中，如图10所示，第一获取模块10还包括：
采集模块1，被配置为采集心电数据。
处理模块2，与采集模块1相连接，被配置为对心电数据进行滤波，检测一个心博数据的中心点和起止点位置。
提取模块3，与处理模块2相连，提取模块3被配置为根据所述中心点和起止点位置从心电数据中提取连续的多个心博数据，所述连续的多个心博数据包括所述中心点所在的心博数据。
本公开的一些实施例还提供一种计算机设备，包括存储器和处理器；所述存储器上存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序使得所述计算机设备实现如上所述的心电数据的分类方法。
本公开的一些实施例还提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的心电数据的分类方法。
示例性的，上述计算机可读存储介质可以包括，但不限于：磁存储器件(例如，硬盘、软盘或磁带等)，光盘(例如，CD(Compact Disk，压缩盘)、DVD(Digital Versatile Disk，数字通用盘)等)，智能卡和闪存器件(例如，EPROM(Erasable Programmable Read-Only Memory，可擦写可编程只读存储器)、卡、棒或钥匙驱动器等)。本公开描述的各种计算机可读存储介质可代表用于存储信息的一个或多个设备和/或其它机器可读存储介质。术语“机器可读存储介质”可包括但不限于，无线信道和能够存储、包含和/或承载指令和/或数据的各种其它介质。
本公开的一些实施例还提供了一种计算机程序产品。该计算机程序产品包括计算机程序指令，在计算机上执行该计算机程序指令时，该计算机程序指令使计算机执行如上述实施例所述的心电数据的分类方法中的一个或多个步骤。
本公开的一些实施例还提供了一种计算机程序。当该计算机程序在计算机上执行时，该计算机程序使计算机执行如上述实施例所述的心电数据的分类方法中的一个或多个步骤。
上述计算机设备、计算机可读存储介质、计算机程序产品及计算机程序的 有益效果和上述一些实施例所述的心电数据的分类方法的有益效果相同，此处不再赘述。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以所述权利要求的保护范围为准。

Claims (15)

  1. 一种心电数据的分类方法，包括：
    根据心电数据获取多个心搏数据；
    对多个心搏数据进行卷积和池化，得到第一特征向量；
    获取第二特征向量，所述第二特征向量表征所述多个心搏数据的频域特征数据和所述多个心搏数据的时域特征数据；
    将所述第一特征向量和所述第二特征向量融合，生成融合特征向量；
    根据所述融合特征向量，得到所述心电数据的分类信息。
  2. 根据权利要求1所述的心电数据的分类方法，还包括：按照预设条件对输入数据进行处理；
    所述预设条件包括：
    Figure PCTCN2021077924-appb-100001
    g(x j)＝W gx j；
    Figure PCTCN2021077924-appb-100002
    其中，x为输入数据，y为x所对应的输出数据，i为输出数据位置索引，j为输入数据位置索引，i和j取值范围均为[1,M]，M为数据长度；y i为位置i处的所述输出数据，x i为位置i处的所述输出数据所对应的输入数据，x j为位置j处的所述输入数据；W g为第一权重矩阵、W θ为第二权重矩阵、W φ为第三权重矩阵；g(x j)为位置j处的所述输入数据的表示；f(x i,x j)映射x i和x j之间的关联关系；C(x i)为归一化因子；
    其中，所述输入数据为所述多个心搏数据；或者，所述输入数据为经所述卷积后的多个心搏数据；或者，所述输入数据为经所述池化后的多个心搏数据。
  3. 根据权利要求1或2所述的心电数据的分类方法，其中，所述获取第二特征向量，包括：
    对所述多个心搏数据进行频域变换，得到所述多个心搏数据的频域特征数据；
    获取所述多个心博数据的时域特征数据；
    根据所述多个心搏数据的时域特征数据和所述多个心搏数据的频域特征数据，得到所述第二特征向量。
  4. 根据权利要求3所述的心电数据的分类方法，其中，所述根据所述多个心搏数据的时域特征数据和所述多个心搏数据的频域特征数据，得到所述第二特征向量，包括：
    根据所述多个心搏数据的时域特征数据，生成第一向量；
    根据所述多个心搏数据的频域特征数据，生成第二向量；
    将所述第一向量和第二向量融合，生成第二特征向量。
  5. 根据权利要求1～4中任一项所述的心电数据的分类方法，其中，所述将所述第一特征向量和所述第二特征向量融合，生成融合特征向量，包括：
    利用F f＝[(W ELF E)×F L,(W LEF L)×F E]，将所述第一特征向量和所述第二特征向量融合，生成融合特征向量；
    其中，F L为所述第一特征向量，F E为所述第二特征向量，F f为所述融合特征向量，W EL为第四权重矩阵，W LE为第五权重矩阵。
  6. 根据权利要求1～5中任一项所述的心电数据的分类方法，其中，所述根据心电数据获取多个心博数据，包括：
    采集所述心电数据；
    对所述心电数据进行滤波，检测一个心博数据的中心点和起止点位置；
    根据所述中心点和起止点位置从所述心电数据中提取连续的多个心博数据，所述连续的多个心博数据包括所述中心点所在的心博数据。
  7. 一种心电数据的分类系统，包括：
    第一获取模块，被配置为根据心电数据获取多个心搏数据；
    网络模块，与所述第一获取模块相连接，所述网络模块被配置为对所述多个心搏数据进行卷积和池化，得到第一特征向量；
    第二获取模块，被配置为获取第二特征向量，所述第二特征向量表征所述多个心搏数据的频域特征数据和多个心搏数据的时域特征数据；
    融合模块，与所述网络模块和所述第二获取模块均相连接，被配置为将所述第一特征向量和所述第二特征向量融合，生成融合特征向量；
    分类模块，与所述融合模块相连接，被配置为根据所述融合特征向量，得到所述心电数据的分类信息。
  8. 根据权利要求7所述的心电数据的分类系统，其中，所述网络模块包括卷积层和池化层。
  9. 根据权利要求8所述的心电数据的分类系统，其中，所述网络模块还包括：
    全局信息获取层，被配置为按照预设条件对输入数据进行处理；
    所述预设条件包括：
    Figure PCTCN2021077924-appb-100003
    g(x j)＝W gx j；
    Figure PCTCN2021077924-appb-100004
    x为输入数据，y为x所对应的输出数据，i为输出数据位置索引，j为输入数据位置索引，i和j取值范围均为[1,M]，M为数据长度；y i为位置i处的所述输出数据，x i为位置i处的所述输出数据所对应的输入数据，x j为位置j 处的所述输入数据；W g为第一权重矩阵、W θ为第二权重矩阵、W φ为第三权重矩阵；g(x j)为位置j处的所述输入数据的表示；f(x i,x j)映射x i和x j之间的关联关系；C(x i)为归一化因子；
    其中，当所述全局信息获取层位于卷积层之前且与所述卷积层相连接时，所述输入数据为所述多个心搏数据；当所述全局信息获取层位于所述卷积层和所述池化层之间，且与所述卷积层和所述池化层均连接时，所述输入数据为经所述卷积后的多个心搏数据；当所述全局信息获取层位于池化层之后且与所述池化层相连接时，所述输入数据为经所述池化后的多个心搏数据。
  10. 根据权利要求7～9中任一项所述的心电数据的分类系统，其中，
    所述第二获取模块，与所述第一获取模块相连接，所述第二获取模块被配置为：对所述多个心搏数据进行频域变换，得到所述频域特征数据；获取所述多个心博数据的时域特征数据；根据所述多个心博数据的时域特征数据和所述多个心博数据的频域特征数据，得到所述第二特征向量。
  11. 根据权利要求10所述的心电数据的分类系统，其中，所述第二获取模块包括：
    向量生成模块，所述向量生成模块被配置为：根据所述多个心博数据的时域特征数据，生成第一向量；根据所述多个心博数据的频域特征数据，生成第二向量；
    向量融合模块，所述向量融合模块被配置为将所述第一向量和所述第二向量融合，生成第二特征向量。
  12. 根据权利要求7～11中任一项所述的心电数据的分类系统，其中，
    所述融合模块被配置为利用F f＝[(W ELF E)×F L,(W LEF L)×F E]，将所述第一特征向量和所述第二特征向量融合，生成融合特征向量；
    其中，F L为所述第一特征向量，F E为所述第二特征向量，F f为所述融合特征向量，W EL为第四权重矩阵，W LE为第五权重矩阵。
  13. 根据权利要求7～12中任一项所述的心电数据的分类系统，其中，所述第一获取模块还包括：
    采集模块，被配置为采集所述心电数据；
    处理模块，与所述采集模块相连接，所述处理模块被配置为对所述心电数据进行滤波，检测一个心博数据的中心点和起止点位置；
    提取模块，与所述处理模块相连，所述提取模块被配置为根据所述中心点和起止点位置从所述心电数据中提取连续的多个心博数据，所述连续的多个心博数据包括所述中心点所在的心博数据。
  14. 一种计算机设备，包括：存储器和处理器；
    所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序使得所述计算机设备实现如权利要求1～6中任一项所述的心电数据的分类方法。
  15. 一种计算机可读存储介质，其存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1～6中任一项所述的心电数据的分类方法。
PCT/CN2021/077924 2020-02-26 2021-02-25 心电数据的分类方法、分类系统、计算机设备及存储介质 WO2021170043A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/621,665 US20230153391A1 (en) 2020-02-26 2021-02-25 Electrocardiogram data classification method, computer device, and storage medium

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010121385.2A CN113384277B (zh) 2020-02-26 2020-02-26 心电数据的分类方法及分类系统
CN202010121385.2 2020-02-26

Publications (1)

Publication Number Publication Date
WO2021170043A1 true WO2021170043A1 (zh) 2021-09-02

Family

ID=77489873

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2021/077924 WO2021170043A1 (zh) 2020-02-26 2021-02-25 心电数据的分类方法、分类系统、计算机设备及存储介质

Country Status (3)

Country Link
US (1) US20230153391A1 (zh)
CN (1) CN113384277B (zh)
WO (1) WO2021170043A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114510966A (zh) * 2022-01-14 2022-05-17 电子科技大学 一种基于图神经网络的端到端大脑因果网络构建方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116211315B (zh) * 2023-04-10 2023-08-04 济南大学 一种单导联心电信号辅助诊断方法及诊断终端
CN116584951B (zh) * 2023-04-23 2023-12-12 山东省人工智能研究院 一种基于弱监督学习的心电信号检测和定位方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120238891A1 (en) * 2011-03-17 2012-09-20 Medtronic, Inc. Methods for ectopy rejection for atrial fibrillation detection based on ventricular cycle lengths
CN107837082A (zh) * 2017-11-27 2018-03-27 乐普（北京）医疗器械股份有限公司 基于人工智能自学习的心电图自动分析方法和装置
US9949714B2 (en) * 2015-07-29 2018-04-24 Htc Corporation Method, electronic apparatus, and computer readable medium of constructing classifier for disease detection
CN110251119A (zh) * 2019-05-28 2019-09-20 深圳和而泰家居在线网络科技有限公司 分类模型获取方法、hrv数据分类方法、装置及相关产品
CN110269625A (zh) * 2019-05-31 2019-09-24 杭州电子科技大学 一种新型的多特征融合的心电认证方法及系统
CN110664395A (zh) * 2019-09-29 2020-01-10 京东方科技集团股份有限公司 图像处理方法、图像处理装置以及存储介质

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2005279954B2 (en) * 2004-08-30 2010-09-09 Neuronetrix Solutions, Llc Biopotential waveform data fusion analysis and classification method
US20180146879A9 (en) * 2004-08-30 2018-05-31 Kalford C. Fadem Biopotential Waveform Data Fusion Analysis and Classification Method
EP3363351B1 (en) * 2017-02-16 2023-08-16 Tata Consultancy Services Limited System for detection of coronary artery disease in a person using a fusion approach
CN107169424B (zh) * 2017-04-24 2021-05-07 南京数维康信息科技有限公司 基于人工神经网络的房颤检测方法
CN107811626A (zh) * 2017-09-10 2018-03-20 天津大学 一种基于一维卷积神经网络和s变换的心律失常分类方法
CN107736894A (zh) * 2017-09-24 2018-02-27 天津大学 一种基于深度学习的心电信号情绪识别方法
CN107981858B (zh) * 2017-11-27 2020-12-01 上海优加利健康管理有限公司 基于人工智能的心电图心搏自动识别分类方法
CN108714026B (zh) * 2018-03-27 2021-09-03 杭州电子科技大学 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
CN108852347A (zh) * 2018-07-13 2018-11-23 京东方科技集团股份有限公司 用于提取心律不齐的特征参数的方法、用于识别心律不齐的装置及计算机可读介质
CN109480827B (zh) * 2018-12-18 2021-04-16 武汉中旗生物医疗电子有限公司 向量心电图分类方法及装置
CN110141218B (zh) * 2019-06-17 2022-02-18 东软集团股份有限公司 一种心电信号分类方法、装置及程序产品、存储介质
CN110384482A (zh) * 2019-06-26 2019-10-29 广州视源电子科技股份有限公司 心电信号分类方法、装置、计算机设备和存储介质
CN110432891A (zh) * 2019-07-30 2019-11-12 天津工业大学 一种自动化提取心电节拍的特征提取和分类方法
CN110584654A (zh) * 2019-10-09 2019-12-20 中山大学 一种基于多模态卷积神经网络心电信号分类方法
CN110772268A (zh) * 2019-11-01 2020-02-11 哈尔滨理工大学 一种多模脑电信号及1dcnn迁移的驾驶疲劳状态识别方法
CN110742599B (zh) * 2019-11-01 2022-05-10 广东工业大学 一种心电信号特征提取分类方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120238891A1 (en) * 2011-03-17 2012-09-20 Medtronic, Inc. Methods for ectopy rejection for atrial fibrillation detection based on ventricular cycle lengths
US9949714B2 (en) * 2015-07-29 2018-04-24 Htc Corporation Method, electronic apparatus, and computer readable medium of constructing classifier for disease detection
CN107837082A (zh) * 2017-11-27 2018-03-27 乐普（北京）医疗器械股份有限公司 基于人工智能自学习的心电图自动分析方法和装置
CN110251119A (zh) * 2019-05-28 2019-09-20 深圳和而泰家居在线网络科技有限公司 分类模型获取方法、hrv数据分类方法、装置及相关产品
CN110269625A (zh) * 2019-05-31 2019-09-24 杭州电子科技大学 一种新型的多特征融合的心电认证方法及系统
CN110664395A (zh) * 2019-09-29 2020-01-10 京东方科技集团股份有限公司 图像处理方法、图像处理装置以及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114510966A (zh) * 2022-01-14 2022-05-17 电子科技大学 一种基于图神经网络的端到端大脑因果网络构建方法

Also Published As

Publication number Publication date
US20230153391A1 (en) 2023-05-18
CN113384277B (zh) 2022-09-20
CN113384277A (zh) 2021-09-14

Similar Documents

Publication Publication Date Title
WO2021170043A1 (zh) 心电数据的分类方法、分类系统、计算机设备及存储介质
CN110537910B (zh) 基于心电和心音信号联合分析的冠心病无创筛查系统
JP7429371B2 (ja) 生体物理信号における非同期ノイズを定量化し、かつ除去するための方法およびシステム
Sedighian et al. Pediatric heart sound segmentation using Hidden Markov Model
CN109009073A (zh) 房颤检测装置及存储介质
Wu et al. Personalizing a generic ECG heartbeat classification for arrhythmia detection: a deep learning approach
Puspasari et al. A new heart sound signal identification approach suitable for smart healthcare systems
Prakash et al. An automated diagnosis system for cardiac arrhythmia classification
Gu et al. An improved method with high anti-interference ability for R peak detection in wearable devices
Kishore et al. An innovative machine learning approach for classifying ECG signals in healthcare devices
Dogan et al. A comprehensive review of computer-based Techniques for R-peaks/QRS complex detection in ECG signal
Gad Feature extraction of electrocardiogram signals using discrete sinc transform
Chowdhury et al. Detecting Abnormal PCG Signals and Extracting Cardiac Information Employing Deep Learning and the Shannon Energy Envelope
Bourouhou et al. Detection and localization algorithm of the S1 and S2 heart sounds
WO2020100129A1 (en) A system and a method for non-invasive detection of cad
Somwanshi et al. ECG feature extraction and detection of first degree atrioventricular block
Bassiouni et al. Combination of ECG and PPG Signals for Healthcare Applications: A Survey
Mayapur Detection and classification of heart defects
Showmik et al. Beat-wise Classification of Arrhythmia Using Novel Combination of ECG Signal-Specific and Signal-Independent Features with ML Algorithms
CN114081502B (zh) 一种基于机器学习的非侵入性心脏病诊断方法和装置
Ananna et al. Abnormality Detection of Heart by using SVM Classifier
Rizzi et al. Fast parallelized algorithm for ECG analysis
Gupta et al. ECG Signal Analysis
Ahmed Mathematical Morphology and the Heart Signals
Yazdani Novel low complexity biomedical signal processing techniques for online applications

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21761764

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21761764

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 21761764

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205 DATED 03.04.2023)

122 Ep: pct application non-entry in european phase

Ref document number: 21761764

Country of ref document: EP

Kind code of ref document: A1