一种基于深度神经网络的心电信号多病症分析方法技术

本发明专利技术公开了一种基于深度神经网络的心电信号多病症分析方法，包括：采集12导联心电信号数据；将12导联心电信号数据截取为等长的目标心电信号数据；将目标心电信号数据代入目标深度神经网络模型，输出目标深度神经网络模型预测的N个任务的概率；根据N个任务的概率和对应N个任务预设的概率阈值，得到N个任务的预测结果。

A Method of Multi-Disease Analysis of ECG Signal Based on Deep Neural Network

The invention discloses a multi-disease analysis method of ECG signal based on deep neural network, which includes collecting 12-lead ECG signal data, intercepting 12-lead ECG signal data into target ECG signal data of equal length, substituting target ECG signal data into target depth neural network model, outputting N task probabilities predicted by target depth neural network model, and according to N tasks. The probabilities of tasks and the preset probability thresholds of corresponding N tasks are obtained, and the predicted results of N tasks are obtained.

【技术实现步骤摘要】
一种基于深度神经网络的心电信号多病症分析方法
本专利技术涉及人工智能数据分析
，尤其涉及一种基于深度神经网络的心电信号多病症分析方法。
技术介绍
心电信号(Electrocardiogram，ECG)，又称心电图。现有的心电信号分析技术，主要分为两大类。第一类，是基于专家知识的心电信号测量值统计分析方法。该方法需要先识别出一段心电信号中的每一次心搏(Beat)，再识别出每一次心搏中的各个特征波段(如P波、QRS波群、ST段、T波等)，最后，根据各个特征波段的测量值，判断该心搏可能出现的问题。现有的心电信号分析技术存在以下几个缺点：有的方法需要依赖于大量医学领域的专家知识，需要耗费大量的人力资源，分析效果有天然的瓶颈，有的方法需要首先进行大量的特征工程，该步骤需要消耗大量的工作精力，分析效果不稳定，直接基于原始数据，容易受到干扰信号的影响，分析技术的鲁棒性不足，可扩展性较差，没有考虑不同分析任务下的区别与共性。
技术实现思路
基于
技术介绍
存在的技术问题，本专利技术提出了一种基于深度神经网络的心电信号多病症分析方法；本专利技术提出的一种基于深度神经网络的心电信号多病症分析方法，包括：S1、采集12导联心电信号数据；S2、将12导联心电信号数据截取为等长的目标心电信号数据；S3、将目标心电信号数据代入目标深度神经网络模型，输出目标深度神经网络模型预测的N个任务的概率；S4、根据N个任务的概率和对应N个任务预设的概率阈值，得到N个任务的预测结果。优选地，步骤S2，具体包括：采用滑动窗口将12导联心电信号数据截取为等长的目标心电信号数据，其中，滑动窗口的宽度为目标心电信号数据的长度。优选地，步骤S3，具体包括：S31、目标深度神经网络模型为F6(F5(F4(F3(F2(F1(X))))))，其中，X为目标心电信号数据，X∈RW×12，R为实数集合，W为目标心电信号数据的长度，F1为干扰识别层、F2为数据分片层、F3为卷积层、F4为循环层、F5为全连接层、F6为多任务层；S32、干扰识别层在频域上剔除X的低频的基线漂移和高频的噪音的干扰，保留X在预设频率区间的心电信号的信息，得到X{1}∈RW×12并输出；S33、数据分片层对X{1}∈RW×12进行滑动窗口宽度为W2且无重叠的切分，得到k个等长数据片，得到X{2}∈RW2×k×12并输出；S34、卷积层对X{2}中每个数据片进行局部特征提取得到d个局部特征，得到k个维度为d的X{3}∈Rk×d并输出；S35、在循环层对Rk×d进行整体特征提取，得到X{4}∈Rr并输出，其中，r表示循环层的隐藏节点个数；S36、将X{4}∈Rr进行线性组合，得到紧密的较低维度特征X{5}∈Rc并输出，其中，c表示线性组合的个数；S37、将X{5}∈Rc代入N个任务预测层，得到Y＝[Y1,Y2,…,YN]，其中Yi为X{5}在第i个任务的概率，i≤N。优选地，步骤S34，具体包括：在对X{2}中每个数据片进行局部特征提取得到d个局部特征过程中，不同数据片上的卷积层进行权值共享；卷积层在输出的过程中，输出的顺序按照数据片分片的顺序排列；优选地，步骤S34，具体包括：卷积层由块结构堆叠而成的网络结构，每个块结构包括一个批量正则化、一个修正的线性激活函数、一个随机删除、一个卷积操作，每两个块结构之间用残差操作连接，该残差操作是矩阵间元素级别的加法。优选地，步骤S35，具体包括：循环层为双向连接的循环神经网络，输入分别用正向输入和反向输入两种方式，将前向循环神经网络的输出和后向循环神经网络的输出进行拼接，得到循环层的输出结果X{4}∈Rr。优选地，步骤S36，具体包括：将X{4}∈Rr进行线性组合的公式为：X{5}＝DX{4}，其中，D表示线性组合的权重矩阵，该公式代表矩阵乘法。优选地，步骤S4，具体包括：将N个任务的概率分别与对应N个任务预设的概率阈值进行比较，当N个任务中某个任务的概率大于该任务对应的概率阈值时，则该任务预测结果为该任务对应的情况出现；当N个任务中某个任务的概率不大于该任务对应的概率阈值时，则该任务预测结果为该任务对应的情况不出现。本专利技术通过采集12导联心电信号数据，将12导联心电信号数据截取为等长的目标心电信号数据，将目标心电信号数据代入目标深度神经网络模型的干扰识别层、数据分片层、卷积层、循环层、全连接层、多任务层中进行预测分析，输出目标深度神经网络模型预测的N个任务的概率，根据N个任务的概率和对应N个任务预设的概率阈值，得到N个任务的预测结果，如此，不需要依赖任何医学领域的专业知识，也不需要依赖于繁琐的特征工程，完全基于已有的心电信号数据，自动完成特征提取，实现端到端的多任务心电信号分析。此外，本专利技术还具有很强的抗干扰能力，能够很好的抵抗各类的干扰信号的影响，关注与心电信号本身的结果。附图说明图1为本专利技术提出的一种基于深度神经网络的心电信号多病症分析方法的流程示意图。具体实施方式参照图1，本专利技术提出的一种基于深度神经网络的心电信号多病症分析方法，包括：步骤S1，采集12导联心电信号数据。在具体方案中，采集标准的心电信号数据，包含I、II、III、V1、V2、V3、V4、V5、V6、avR、avL、avF共计12导联(Lead)，采样率为fHz，每条数据可以是任意长度。对于任意一条原始的心电信号，表示为X0∈RW×12其中n为该信号的数据长度，n＝f×t，t为该信号采集的时间长度。步骤S2，将12导联心电信号数据截取为等长的目标心电信号数据。步骤S2具体包括：采用滑动窗口将12导联心电信号数据截取为等长的目标心电信号数据，其中，滑动窗口的宽度为目标心电信号数据的长度。在具体方案中，为了得到固定长度的数据，用以输入到模型中，采用滑动窗口对原始数据进行截取。滑动窗口的宽度是W，滑动步长是stride，则截取出的第i条数据的起始位置为(i-1)×stride，终止位置为(i-1)×stride+W；最终得到的数据记为S∈RW×m×12，其中m是每一个原始数据经过滑动窗口截取后所得到的数据个数，滑动窗口的宽度为W，也是下述目标心电信号数据的长度，12是导联的数量，一般W取10秒。步骤S3，将目标心电信号数据代入目标深度神经网络模型，输出目标深度神经网络模型预测的N个任务的概率。步骤S3，具体包括：S31、目标深度神经网络模型为F6(F5(F4(F3(F2(F1(X))))))，其中，X为目标心电信号数据，X∈RW×12，R为实数集合，W为目标心电信号数据的长度，F1为干扰识别层、F2为数据分片层、F3为卷积层、F4为循环层、F5为全连接层、F6为多任务层；S32、干扰识别层在频域上剔除X的低频的基线漂移和高频的噪音的干扰，保留X在预设频率区间的心电信号的信息，得到X{1}∈RW×12并输出；S33、数据分片层对X{1}∈RW×12进行滑动窗口宽度为W2且无重叠的切分，得到k个等长数据片，得到X{2}∈RW2×k×12并输出；S34、卷积层对X{2}中每个数据片进行局部特征提取得到d个局部特征，得到k个维度为d的X{3}∈Rk×d并输出；S34，具体包括：在对X{2}中每个数据片进行局部特征提取得到d个局部特征过程中，不同数据片上的卷积层进行权值共享；卷积层在输出的过程中本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的心电信号多病症分析方法，其特征在于，包括：S1、采集12导联心电信号数据；S2、将12导联心电信号数据截取为等长的目标心电信号数据；S3、将目标心电信号数据代入目标深度神经网络模型，输出目标深度神经网络模型预测的N个任务的概率；S4、根据N个任务的概率和对应N个任务预设的概率阈值，得到N个任务的预测结果。

【技术特征摘要】
1.一种基于深度神经网络的心电信号多病症分析方法，其特征在于，包括：S1、采集12导联心电信号数据；S2、将12导联心电信号数据截取为等长的目标心电信号数据；S3、将目标心电信号数据代入目标深度神经网络模型，输出目标深度神经网络模型预测的N个任务的概率；S4、根据N个任务的概率和对应N个任务预设的概率阈值，得到N个任务的预测结果。2.根据权利要求1所述的基于深度神经网络的心电信号多病症分析方法，其特征在于，步骤S2，具体包括：采用滑动窗口将12导联心电信号数据截取为等长的目标心电信号数据，其中，滑动窗口的宽度为目标心电信号数据的长度。3.根据权利要求1所述的基于深度神经网络的心电信号多病症分析方法，其特征在于，步骤S3，具体包括：S31、目标深度神经网络模型为F6(F5(F4(F3(F2(F1(X))))))，其中，X为目标心电信号数据，X∈RW×12，R为实数集合，W为目标心电信号数据的长度，F1为干扰识别层、F2为数据分片层、F3为卷积层、F4为循环层、F5为全连接层、F6为多任务层；S32、干扰识别层在频域上剔除X的低频的基线漂移和高频的噪音的干扰，保留X在预设频率区间的心电信号的信息，得到X{1}∈RW×12并输出；S33、数据分片层对X{1}∈RW×12进行滑动窗口宽度为W2且无重叠的切分，得到k个等长数据片，得到X{2}∈RW2×k×12并输出；S34、卷积层对X{2}中每个数据片进行局部特征提取得到d个局部特征，得到k个维度为d的X{3}∈Rk×d并输出；S35、在循环层对Rk×d进行整体特征提取，得到X{4}∈Rr并输出，其中，r表示循环层的隐藏节点个数；S36、将X{4}∈Rr进行线性组合，得到紧密的较低维...

【专利技术属性】
技术研发人员：洪申达，傅兆吉，周荣博，俞杰，
申请(专利权)人：安徽心之声医疗科技有限公司，
类型：发明
国别省市：安徽,34