基于深度神经网络的心电图智能分析方法及系统技术方案

本发明专利技术公开了一种基于深度神经网络的心电图智能分析方法及系统，所述方法包括训练阶段和检测阶段；训练阶段对每一份采集的N导联静态心电图的图像信息标注横向层面标签和纵向层面标签；训练得到N个识别横向层面的卷积神经网络模型和识别纵向层面的卷积神经网络模型；检测阶段对采集的待检测的N导联静态心电图的N个特征序列和以心跳周期分割的特征序列作为N个识别横向层面的卷积神经网络模型、识别横向层面的卷积神经网络模型的输入，得到横向识别异常分析和纵向识别异常分析。本发明专利技术使用卷积神经网络对所有导联进行分别学习和判断，实验结果表明，本方法具有更好的识别效果。本发明专利技术可操作性更强，网络泛化能力更好，心电图的正确识别率更高。

【技术实现步骤摘要】
基于深度神经网络的心电图智能分析方法及系统
本专利技术涉及医疗人工智能
，具体地指一种基于深度神经网络的心电图智能分析方法及系统。
技术介绍
据权威调查显示，心血管疾病已经成为世界人口死亡的主要原因之一。每年死于心血管疾病的人数占死亡总人数的三分之一。心电图是常见的用于观察人体心电活动的医疗检查手段，心电图机将心脏活动的电信号提取为数字信号，并用心电图的形式展现出来。随着人工智能领域特别是深度学习技术的发展，分析数字心电信号的技术越来越丰富和成熟。但心电图的人工分析，不仅需要经过专业训练的医师进行大工作量的劳动，而且主观性比较强，因此对心电图进行自动分析就显得迫切需要。因此，设计出成本低、性能达到医用标准的心电图智能诊断方法及系统，有着重大的社会效益和经济效益。目前，通常采用支持向量机算法进行心电图的智能判断。SVM算法的心电图诊断主要分为特征提取以及模式识别，特征提取的优劣和模式分类器的性能直接影响整个识别系统的性能。由于特征工程对于技术人员对心电的理解要求很高，通常选用的特征也比较少，基于支持向量机的心电图智能诊断方法效果往往不够理想。
技术实现思路
针对现有技术中对于静态心电图的特征难以提取、判断识别率低的技术问题，本专利技术提出了一种基于深度神经网络的心电图智能分析方法及系统，采用了卷积神经网络，实现了对于病人12或者18导联心电图的准确判断，通过对12或者18导联整体横向层面判断和单个心动周期的纵向层面判断，对病人心电图进行节律和形态上的识别。本专利技术提出的基于深度神经网络的心电图智能分析方法，其特殊之处在于，所述方法包括训练阶段和检测阶段；所述训练阶段包括如下步骤：A1)采集若干份N导联静态心电图的图像信息，N为大于4的自然数；A2)对每一份N导联静态心电图的图像信息标注横向层面标签和纵向层面标签；A3)对每一份N导联静态心电图的图像信息进行预处理，每一份图像信息得到N个带有横向层面标签的特征序列样本数据和带有纵向层面标签的特征序列样本数据；A4)将每一份N个带有横向层面标签的特征序列样本数据作为N个识别横向层面的卷积神经网络的输入，训练得到N个识别横向层面的卷积神经网络模型；A5)将每一份带有纵向层面标签的特征序列样本数据作为识别纵向层面的卷积神经网络的输入，训练得到识别纵向层面的卷积神经网络模型；所述检测阶段包括如下步骤：B1)采集待检测的N导联静态心电图的图像信息；B2)对所述待检测的N导联静态心电图的图像信息进行预处理，得到N个特征序列和以心跳周期分割的特征序列；B3)将所述N个特征序列作为N个识别横向层面的卷积神经网络模型的输入，得到N个带有横向层面标签及概率值的输出，即横向识别异常分析；B4)将所述以心跳周期分割的特征序列作为识别纵向层面的卷积神经网络模型的输入，得到纵向层面标签及概率值，即纵向识别异常分析。优选地，所述N导联静态心电图信号数据的来源可以为PDF、CSV、ecg、文本、内存数据流或者XML等格式的心电数据，所述横向层面标签和纵向层面标签为PDF格式的文字信息、文本信息或其他来源的标签数据，N为12或18。优选地，所述步骤A3)预处理的过程为提取图像信息、横向层面标签和纵向层面标签的文字信息，转换为带有横向层面标签和纵向层面标签的CSV文件或其他心电数据存储格式的文件，即将步骤A2)中获取的数据统一为指定的某种格式。优选地，所述步骤B4)中以心跳周期分割的特征序列根据N个带有横向层面标签及概率值的输出得到，将N导联中带有横向层面标签的心跳周期去除，选择没有任何横向层面标签的完整心跳周期的特征序列输入识别纵向层面的卷积神经网络模型。优选地，所述横向层面标签为对每个导联单独心电图数据标注的横向异常图像特征的文字信息，横向异常图像特征反映节律失常类型。优选地，所述纵向层面标签为对每个心搏对应的同一个时间点的N导联的心电图数据标注的纵向异常图像特征的文字信息，纵向异常图像特征反映形态失常类型。优选地，所述步骤A1)中的N导联静态心电图的图像信息不少于10000份。基于上述基于深度神经网络的心电图智能分析方法，本专利技术还提出一种基于深度神经网络的心电图智能分析方法的系统，其特殊之处在于，包括心电数据采样模块、数据标注模块、数据预处理模块、横向层面判断模块、纵向层面判断模块和分析融合模块；所述心电数据采样模块：用于采集N导联静态心电图的图像信息；所述数据标注模块：用于对N导联静态心电图的图像信息标注横向层面标签和纵向层面标签；所述数据预处理模块：用于N导联静态心电图的图像信息，提取为心电数据，所述心电数据为CSV文件、内存数据流或其他心电数据存储格式的文件；所述横向层面判断模块：用于将预处理后的N导联的心电数据输入相应的N个识别横向层面的卷积神经网络模型，分别进行判断，得出N个带有横向层面标签及概率值的输出；每一个识别横向层面的卷积神经网络模型与一个导联的心电数据相对应。所述纵向层面判断模块：用于将预处理后的N导联的心电数据按照心动周期分割电信号数据并输入识别纵向层面的卷积神经网络模型，进行判断，带有纵向层面标签及概率值的输出；每一个识别纵向层面的卷积神经网络模型与一个导联的心电数据相对应。所述分析融合模块：用于将N个带有横向层面标签及概率值的输出和带有纵向层面标签及概率值的输出进行融合，得到心电图分析报告。在机器学习中，卷积神经网络(ConvolutionalNeuralNetwork,CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元。卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。一般地，CNN的基本结构包括两个阶段，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。因为CNN的特征检测层通过训练数据进行学习，所以在使用CNN时，避免了显示的特征抽取，而是隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习。相比于传统判断方法，本专利技术基于深度神经网络的心电图智能分析方法及系统，针对12通道或者18通道静态心电图的智能诊断方法，采用了卷积神经网络，实现了对于病人12通道或者18通道心电图的准确判断，通过对12或18通道整体和单个心动周期的判断，对病人心电图进行节律和形态上的识别。本专利技术使用卷积神经网络对所有导联进行分别学习和判断，因而避免了传统机器学习方法特征工程的困难。实验结果表明，本方法具有更好的识别效果。本专利技术可操作性更强，网络的泛化能力更好，心电图识别的准确率更高。附图说明图1为本专利技术基于深度神经网络的心电图智能分析方法的系统的结构框图。图2为本专利技术基于深度神经网络的心电图智能分析方法的流程图。图3为本专利技术基于深度神经网络的心电图智能分析方法的深度学习的网络结构。图4为本专利技术基于深度神经网络的心电图智能分析方法的具体分类。具体实施方式下面结合附图及实施例对本专利技术作进一步的详细描述，但该实施例不应理解为对本专利技术的限制。如图1所示，本专利技术提出的基于深度神经网络的心电图智能分析方法的系统，包括本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的心电图智能分析方法，其特征在于：所述方法包括训练阶段和检测阶段；所述训练阶段包括如下步骤：A1)采集若干份N导联静态心电图的图像信息，N为大于4的自然数；A2)对每一份N导联静态心电图的图像信息标注横向层面标签和纵向层面标签；A3)对每一份N导联静态心电图的图像信息进行预处理，每一份图像信息得到N个带有横向层面标签的特征序列样本数据和带有纵向层面标签的特征序列样本数据；A4)将每一份N个带有横向层面标签的特征序列样本数据作为N个识别横向层面的卷积神经网络的输入，训练得到N个识别横向层面的卷积神经网络模型；A5)将每一份带有纵向层面标签的特征序列样本数据作为识别纵向层面的卷积神经网络的输入，训练得到识别纵向层面的卷积神经网络模型；所述检测阶段包括如下步骤：B1)采集待检测的N导联静态心电图的图像信息；B2)对所述待检测的N导联静态心电图的图像信息进行预处理，得到N个特征序列和以心跳周期分割的特征序列；B3)将所述N个特征序列作为N个识别横向层面的卷积神经网络模型的输入，得到N个带有横向层面标签及概率值的输出，即横向识别异常分析；B4)将所述以心跳周期分割的特征序列作为识别纵向层面的卷积神经网络模型的输入，得到纵向层面标签及概率值，即纵向识别异常分析。...

【技术特征摘要】
1.一种基于深度神经网络的心电图智能分析方法，其特征在于：所述方法包括训练阶段和检测阶段；所述训练阶段包括如下步骤：A1)采集若干份N导联静态心电图的图像信息，N为大于4的自然数；A2)对每一份N导联静态心电图的图像信息标注横向层面标签和纵向层面标签；A3)对每一份N导联静态心电图的图像信息进行预处理，每一份图像信息得到N个带有横向层面标签的特征序列样本数据和带有纵向层面标签的特征序列样本数据；A4)将每一份N个带有横向层面标签的特征序列样本数据作为N个识别横向层面的卷积神经网络的输入，训练得到N个识别横向层面的卷积神经网络模型；A5)将每一份带有纵向层面标签的特征序列样本数据作为识别纵向层面的卷积神经网络的输入，训练得到识别纵向层面的卷积神经网络模型；所述检测阶段包括如下步骤：B1)采集待检测的N导联静态心电图的图像信息；B2)对所述待检测的N导联静态心电图的图像信息进行预处理，得到N个特征序列和以心跳周期分割的特征序列；B3)将所述N个特征序列作为N个识别横向层面的卷积神经网络模型的输入，得到N个带有横向层面标签及概率值的输出，即横向识别异常分析；B4)将所述以心跳周期分割的特征序列作为识别纵向层面的卷积神经网络模型的输入，得到纵向层面标签及概率值，即纵向识别异常分析。2.根据权利要求1所述的基于深度神经网络的心电图智能分析方法，其特征在于：所述N导联静态心电图的图像信息为PDF、CSV、ecg、文本、内存数据流或者XML格式的心电数据，所述横向层面标签和纵向层面标签为PDF格式的文字信息、文本信息或其他来源的标签数据，N为12或者18。3.根据权利要求1所述的基于深度神经网络的心电图智能分析方法，其特征在于：所述步骤A3)预处理的过程为提取图像信息、横向层面标签和纵向层面标签的文字信息，转换为带有横向层面标签和纵向层面标签的CSV文件或其他心电数据存储格式的文件。4.根据权利要求1所述的基于深度神经网络的心电图智能分析方法，其...

【专利技术属性】
技术研发人员：杨国良，左秀然，于杨，张燕，刘娟，柯凯，
申请(专利权)人：武汉海星通技术股份有限公司，
类型：发明
国别省市：湖北,42