一种数据长度自适应的心电图分类方法技术

本发明专利技术公开了一种数据长度自适应的心电图分类方法，旨在解决现有技术中心电图数据集少且数据集质量参差不齐而导致现有的心电图训练结果准确度低的问题；本申请通过对原始数据进行动态分割和连接获得标准时间长度的心电图段数据集，本申请对获得的心电图数据集进行动态的分段与连接，产生了大量的额外训练数据集，并采集正常心电数据、心房颤动数据、其他数据和噪音数据四种类型的数据集，保持了数据集的平衡性，从而提高了后期训练的鲁棒性和泛化能力，进而使得输入集的分类更加准确；本申请适用于心电图分类训练相关领域。

【技术实现步骤摘要】
一种数据长度自适应的心电图分类方法
本专利技术涉及心电图分类训练相关领域，具体涉及一种数据长度自适应的心电图分类及训练方法。
技术介绍
随着社会经济的发展，居民生活方式的改变，人口老龄化进程加快等原因，心血管病带来的危险持续升高，中国城乡居民心血管疾病患病率呈现上升趋势、死亡率居高不下，全国每年约有350万人死于心血管疾病。总体上看，我国心血管病的患病率及死亡率仍处于上升阶段。心血管疾病占据居民疾病死亡构成的40％以上，为我国居民的首位死因。心律不齐疾病作为心血管疾病的一种，其治疗与预防已经越来越受到人们的关注。心电图是一种使用广泛的廉价无创检查手段，是用来观察心脏电活动、电瞬态方面的标准技术。人体心电图作为心脏电活动在体表的综合表现，蕴含了丰富的心脏节律及其电传导的生理信息，在一定的程度上可以客观的反映心脏各部位的生理状况，是诊断心脏疾病、评价心脏功能的重要依据之一。一直以来心电图记录主要的使用方式是由具有专业知识和临床经验的医护人员对心电图数据进行观察和分析，但由于心电图记录的心电信息持通常会长达数十个小时，而反应患者心脏异常的记录信息通常以记录片段的形式存在。长时间的人工检测的不仅容易造成误检，也是一种对医护资源的浪费。心电信号自动处理系统能够有效的解决这一问题，利用计算机软件提取心电信号的相关特征，自动检查异常的心电活动片段，这些信息的反馈可以让医生针对性的识读心电记录，提高工作效率。现有的大量心电信号检测系统所使用的特征提取与疾病检测算法，仍存在特征识别率低、分类准确率不高的问题。目前采用的分类方法都是基于传统的机器学习的方法，主要是采用支持向量机(SVM)。但是，使用支持向量机分类，需要人工手动提取相关特征，适用于样本量少的训练；心电图分段作为心电图信号处理得一个环节，分段的质量直接关系到能否输出正确的心率和能否进行正确的诊断，但是由于心电图信号的来源及采集方式，实际所获得心电图信号通常高噪音、不稳定的；并且现有的数据集较少，如果直接对现有的数据集进行处理，容易存在数据样本不均衡，数据样本不齐全进而导致训练结果准确率低进而导致误诊率高的问题。而本申请采用的神经网络的分类的方法，不需要人工手动提取特征，只需要将大量的样本送进神经网络中，让神经网络自己学习，自动地提取特征，来进行分类，分类效果更加准确。为了让心电检测系统能够更好地辅助医护人员进行心电信号分析，弥补当前心电信号自动处理技术的不足、人工干预过多、分类不准确等问题，进而更好地对病症做出分类，本系统采用了人工智能与神经网络领域中的最新算法和网络结构，提出了一套完整的心电图分析处理方法。内容涉及对心电信号的预处理、心律不齐疾病自动分类这些心电检测、系统中的重要问题。对心电数据随机分段的，再将组合的心电数据送到卷积神经网络中学习，可以有效地解决训练数据每个种类之间数据量不均衡的问题，使得训练得到的模型更具有鲁棒性。利用本系统提出的方法，可以对心电信号进行有效的处理，对心电信号反映的病症进行高准确率的分类，可以辅助医生对病人做出更准确的判断。
技术实现思路
本专利技术的目的在于：针对现有技术中心电图数据集少且数据集质量参差不齐而导致现有的心电图训练结果准确度低的问题，本申请提供了一种数据长度自适应的心电图分类及训练方法。本专利技术采用的技术方案如下：一种数据长度自适应的心电图分类方法，包括以下步骤：步骤1：对原始数据进行动态分割和连接获得标准时间长度的心电图段数据集；具体地，所述步骤1的具体步骤为：步骤1.1：记录原始心电图数据并设定心电图的标准时间长度；所述步骤1.1中的记录原始心电图数据包括正常心电数据、心房颤动数据、其他数据和噪音数据；其记录比例为2：14：4：35；步骤1.2：对步骤1中长度小于标准时间长度的心电图数据切取部分段，将部分段合并为标准时间长度的心电图段，对步骤1.1中长度大于标准时间长度的心电图数据切取标准时间长度的心电图段，对步骤1中长度为标准时间长度的心电图段直接进行保留；所述步骤1.2中对步骤1.1中长度小于标准时间长度的心电图数据切取标准时间长度的部分段，将部分段合并为标准时间长度的心电图段具体为：选择长度小于标准时间长度的心电图数据；将长度小于标准时间长度的心电图数据切取部分段；规范部分段得到标准化后的平均段；将标准化后的平均段根据R的峰值合并成标准时间长度的心电图段；规范部分段的具体公式为：Xnorm为标准化后的平均段；X为向量表示的部分段；Xmax是部分段中的最大值，Xmin是部分段中的最小值；将标准化后的平均段根据R的峰值合并成标准时间长度的心电图段。具体地，所述标准时间长度为24s或32s；步骤1.3：集合步骤2中标准时间长度的心电图段获得标准时间长度的心电图段数据集。步骤2：对步骤1中获得标准时间长度的心电图段数据集利用神经网络进行识别和分类并预测输入的心电图段数据集是否异常；所述步骤2的采用卷积神经网络的输出使用全局平均池化并输入到多层感知器网络获得心电图段数据集的分类概率；具体地，所述步骤2的具体步骤为：步骤2.1：对心电图段数据集进行预处理，滤波器将每段心电图段分解成四个频带，即1-70Hz、5-90Hz、20-120Hz和原始记录得到四通道数据输入段；步骤2.2：将步骤2.1中的四通道数据输入段输入至一维卷积层获得特征图，并选取特征图的最大值作为区域池化特征图；其中—第l层网络第j个神经元的输入，Mj—对输入的选择，f()—非线性函数，k—滤波器，—第l层网络的滤波器k的第i行第j列的值，—第l层网络第j个单元的偏置；yi″j″d＝max1≤i′≤H′，1≤j′≤W′xi″+i′-1，j″+j′-1，dyi″j″d——经过最大池化后的第d个特征图的第i行第j列的值；i′——最大池化前的特征图的行坐标；j′——最大池化前的特征图的列坐标；d——维数，表示第多少个特征图；步骤2.3：对区域池化特征图进行全局平均池化获得特征图的平均池化特征图；步骤2.4：加入Highway网络层对平均池化特征图处理得到Highway网络层输出；其中，T和C为非线性变换函数，—Highway网络层的输出，H()，T()，C()—非线性函数——网络的输入，—分别为三个函数的权值矩阵；为了简单起见，令C＝1–T，可得：步骤2.5：加入softmax层对Highway网络层输出处理并获得四通道数据输入段的分类概率；根据去预测分类t，属于分类t的概率由下式计算：其中：—网络的输出；s()—Softmax函数；—条件概率，当时，t＝1的概率；具体地，还包括步骤3：对步骤2中的分类结果进行准确率评估；具体地，F分数用于度量分类问题类别的准确性。对于正常节奏，AF节奏，其他节奏和噪音，F1得分的定义为：最后的分数如下：Nn——实际上是正常数据，模型预测结果也是正常的样本数量；∑N——正常数据的样本总数；∑n——被模型预测为正常数据的样本总数；Aa——实际上是AF节奏数据，模型预测结果也是AF节奏的样本数量；∑A——AF节奏数据的样本总数；∑a——被模型预测为AF节奏数据的样本总数；Oo——实际上是其他节奏数据，模型预测结果也是其他节奏的样本数量；∑O——其他节奏数据的样本总数；∑o——被模型预测为其他节奏数据的样本总数；Pp——实本文档来自技高网...

【技术保护点】
一种数据长度自适应的心电图分类方法，其特征在于，包括以下步骤：步骤1：对原始数据进行动态分割和连接获得标准时间长度的心电图段数据集；步骤2：对步骤1中获得的标准时间长度的心电图段数据集利用神经网络进行识别和分类。

【技术特征摘要】
1.一种数据长度自适应的心电图分类方法，其特征在于，包括以下步骤：步骤1：对原始数据进行动态分割和连接获得标准时间长度的心电图段数据集；步骤2：对步骤1中获得的标准时间长度的心电图段数据集利用神经网络进行识别和分类。2.如权利要求1所述的一种数据长度自适应的心电图分类方法，其特征在于，所述步骤1的具体步骤为：步骤1.1：记录原始心电图数据并设定心电图的标准时间长度；步骤1.2：对步骤1中长度小于标准时间长度的心电图数据切取部分段，将部分段合并为标准时间长度的心电图段，对步骤1.1中长度大于标准时间长度的心电图数据切取标准时间长度的心电图段，对步骤1中长度为标准时间长度的心电图段直接进行保留；步骤1.3：集合步骤2中标准时间长度的心电图段获得标准时间长度的心电图段数据集。3.如权利要求2所述的一种数据长度自适应的心电图分类方法，其特征在于，所述步骤1.2中对步骤1.1中长度小于标准时间长度的心电图数据切取标准时间长度的部分段，将部分段合并为标准时间长度的心电图段具体为：选择长度小于标准时间长度的心电图数据；将长度小于标准时间长度的心电图数据切取部分段；规范部分段得到标准化后的平均段；将标准化后的平均段根据R的峰值合并成标准时间长度的心电图段。4.如权利要求3所述的一种数据长度自适应的心电图分类方法，其特征在于，所述规范部分段的具体公式为：Xnorm为标准化后的平均段；X为向量表示...

【专利技术属性】
技术研发人员：吕建成，陈尧，刘大一恒，李茂，
申请(专利权)人：四川大学，
类型：发明
国别省市：四川,51