一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统技术方案

本发明专利技术公开了一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统，其中的方法包括：首先对获取的多导联心电数据进行去噪处理；然后搭建用于提取心电数据不同尺度的波形特征的多流态CNN模型，接着对提取的不同尺度的波形特征进行融合；接下来搭建用于提取融合后的波形特征中的时序特征的双向RNN模型；再将多流态CNN模型与双向RNN模型拼接成多流态卷积循环神经网络模型，并进行训练与微调；最后，将待处理的多导联心电数据进行去噪处理后，输入优化后的多流态卷积循环神经网络模型，获得异常信号识别结果。本发明专利技术增加了特征提取的特征量，减少了特征提取的难度，提高了分类识别的准确性以及模型的泛化能力。

A method and system of multi lead ECG abnormal signal recognition based on multi flow convolution cyclic neural network

【技术实现步骤摘要】
一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统
本专利技术涉及心电信号识别分类
，具体涉及一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统。
技术介绍
心血管疾病(cardiovasculardisease，简称CVD)指的是与心脏或血管的相关的一系列的疾病，又称为循环系统疾病。以下是几个世界卫生组织统计的几个重要事实：心血管疾病仍然是全球的头号死因，在所有死亡状况中，每年死于心血管疾病的人数超过任何其它死亡原因。在2016年一年内，估计有1790万人死于心血管疾病，占全球死亡总数的31％左右，其中，又有85％左右死于心脏病和中风。于心电疾病的诊断，心电图(Electrocardiogram、ECG或者EKG)是一种经胸腔的以时间为单位记录心脏的电生理活动、通过安置在皮肤上的电极捕捉其电信号并绘制成线记录下来的诊疗技术。作为一种无创性的记录方式，心电图的应用最为广泛与权威。近年来，随着模糊识别、人工智能、神经网络等技术水平的提高。随着大数据与人工智能的发展，近年来基于心电图信号数据设计的心电自动诊断算法和系统的研究已经很多，但是大部分成果仍然停留在实验阶段，距离真正投入商用仍然有较大一段路需要走。即使是投入商用的部分，由于精度不足，疾病判别不够具体等缺点，对医生们的帮助十分有限。现有技术中，12导联心电图的P2F目前是医院或医生最容易获得的数据。然而，这种数据实时性更强，但是长度短且包含较少信息的数据难以有效预测。因此，目前大多数方法都是基于长期数据来得到更准确的预测结果。只有少数可行且易于使用的方法用于处理和预测此类ECG数据。本申请专利技术人在实施本专利技术的过程中，发现现有技术的方法，至少存在如下技术问题：现有技术中的方法没有考虑患者心电图的特异性，也没有考虑不同尺度和形状的不同数据，导致泛化性能较差。由此可知，现有技术中的方法存在识别结果不够准确性的技术问题。
技术实现思路
有鉴于此，本专利技术提供了一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统，用以解决或者至少部分解决现有技术中的方法存在的识别结果不够准确性的技术问题。为了解决上述技术问题，本专利技术提供了一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法，包括：步骤S1：对获取的多导联心电数据进行去噪处理；步骤S2：搭建用于提取心电数据不同尺度的波形特征的多流态CNN模型，其中，搭建多流态CNN模型包括至少两个具有不同尺度和大小的CNN；步骤S3：对提取的不同尺度的波形特征进行融合；步骤S4：搭建用于提取融合后的波形特征中的时序特征的双向RNN模型；步骤S5：将多流态CNN模型与双向RNN模型拼接成多流态卷积循环神经网络模型，设置损失函数，并基于去噪后多导联心电数据进行训练，采用随机梯度下降算法和反向传播算法对流态卷积循环神经网络模型进行微调，得到优化后的多流态卷积循环神经网络模型；步骤S6：将待处理的多导联心电数据进行去噪处理后，输入优化后的多流态卷积循环神经网络模型，获得异常信号识别结果。在一种实施方式中，步骤S1具体包括：采用集成经验模态分解算法和小波软阈值相结合的去噪方法进行去噪处理。在一种实施方式中，步骤S2中的多流态CNN模型中的卷积层的输出值的计算公式为：其中，xi，j表示图像的第i行第j列元素；Wm，n表示第m行第n列权重；Wb表示filter的偏置项；ai，j表示FeatureMap的第i行第j列元素；f表示激活函数。在一种实施方式中，在步骤S4之后，所述方法还包括：对搭建的多流态CNN模型和RNN模型进行优化，其中，对每层卷积层进行批量归一化，并采用LeakyRelu激活函数。在一种实施方式中，步骤S5中多流态卷积循环神经网络模型包括11层卷积神经网络，6个卷积层，3个池化层，1个双向循环神经网络层和1个处理多分类任务的softmax层。在一种实施方式中，多流态卷积循环神经网络模型的损失函数为：其中，labeli表示单个心电数据的标签，predictioni表示单个心电数据的预测结果，ross_entropy(predictioni，labeli)为参与训练的心电数据交叉熵损失函数的值。在一种实施方式中，步骤S5中采用随机梯度下降算法和反向传播算法对流态卷积循环神经网络模型进行微调，具体包括：步骤S5.1：前向计算每个神经元的输出值aj；步骤S4.2：反向计算每个神经元的误差项δj，其中，Ed表示，误差项网络的损失函数，netj为神经元加权输入；步骤S4.3：计算每个神经元连接权重Wji的梯度，其中，j表示第j个网络；步骤S4.4：根据神经元连接权重的梯度对流态卷积循环神经网络模型进行微调，得到优化后的多流态卷积循环神经网络模型。基于同样的专利技术构思，本专利技术第二方面提供了一种基于多流态卷积循环神经网络的多导联心电异常信号识别系统，包括：去噪模块，用于对获取的多导联心电数据进行去噪处理；多流态CNN模型搭建模型，用于搭建用于提取心电数据不同尺度的波形特征的多流态CNN模型，其中，搭建多流态CNN模型包括至少两个具有不同尺度和大小的CNN；特征融合模块，用于对提取的不同尺度的波形特征进行融合；双向RNN模型搭建模块，用于搭建用于提取融合后的波形特征中的时序特征的双向RNN模型；拼接模块，用于将多流态CNN模型与双向RNN模型拼接成多流态卷积循环神经网络模型，设置损失函数，并基于去噪后多导联心电数据进行训练，采用随机梯度下降算法和反向传播算法对流态卷积循环神经网络模型进行微调，得到优化后的多流态卷积循环神经网络模型；异常信号识别模块，将待处理的多导联心电数据进行去噪处理后，输入优化后的多流态卷积循环神经网络模型，获得异常信号识别结果。基于同样的专利技术构思，本专利技术第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被执行时实现第一方面所述的方法。基于同样的专利技术构思，本专利技术第四方面提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的方法。本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：由于本专利技术提供的一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统，通过将多流态CNN模型与双向RNN模型拼接成多流态卷积循环神经网络模型对多导联心电数据进行异常信号的识别，其中，多流态CNN模型包括至少两个具有不同尺度和大小的CNN，可以对不同尺度和形状的特征进行提取，然后对提取的不同尺度的波形特征进行融合，融合后通过搭建双向RNN模型提取融合后的波形特征中的时序特征，最后进行异常信号的识别，从而可以提高识别的准确性，为医疗人员提供了可靠地辅助与参考。并且，通过对大量数据的反本文档来自技高网...

【技术保护点】
1.一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法，其特征在于，包括：/n步骤S1：对获取的多导联心电数据进行去噪处理；/n步骤S2：搭建用于提取心电数据不同尺度的波形特征的多流态CNN模型，其中，搭建多流态CNN模型包括至少两个具有不同尺度和大小的CNN；/n步骤S3：对提取的不同尺度的波形特征进行融合；/n步骤S4：搭建用于提取融合后的波形特征中的时序特征的双向RNN模型；/n步骤S5：将多流态CNN模型与双向RNN模型拼接成多流态卷积循环神经网络模型，设置损失函数，并基于去噪后多导联心电数据进行训练，采用随机梯度下降算法和反向传播算法对流态卷积循环神经网络模型进行微调，得到优化后的多流态卷积循环神经网络模型；/n步骤S6：将待处理的多导联心电数据进行去噪处理后，输入优化后的多流态卷积循环神经网络模型，获得异常信号识别结果。/n

【技术特征摘要】
1.一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法，其特征在于，包括：
步骤S1：对获取的多导联心电数据进行去噪处理；
步骤S2：搭建用于提取心电数据不同尺度的波形特征的多流态CNN模型，其中，搭建多流态CNN模型包括至少两个具有不同尺度和大小的CNN；
步骤S3：对提取的不同尺度的波形特征进行融合；
步骤S4：搭建用于提取融合后的波形特征中的时序特征的双向RNN模型；
步骤S5：将多流态CNN模型与双向RNN模型拼接成多流态卷积循环神经网络模型，设置损失函数，并基于去噪后多导联心电数据进行训练，采用随机梯度下降算法和反向传播算法对流态卷积循环神经网络模型进行微调，得到优化后的多流态卷积循环神经网络模型；
步骤S6：将待处理的多导联心电数据进行去噪处理后，输入优化后的多流态卷积循环神经网络模型，获得异常信号识别结果。


2.如权利要求1所述的方法，其特征在于，步骤S1具体包括：采用集成经验模态分解算法和小波软阈值相结合的去噪方法进行去噪处理。


3.如权利要求1所述的方法，其特征在于，步骤S2中的多流态CNN模型中的卷积层的输出值的计算公式为：



其中，xi，j表示图像的第i行第j列元素；Wm，n表示第m行第n列权重；Wb表示filter的偏置项；ai，j表示FeatureMap的第i行第j列元素；f表示激活函数。


4.如权利要求3所述的方法，其特征在于，在步骤S4之后，所述方法还包括：
对搭建的多流态CNN模型和RNN模型进行优化，其中，对每层卷积层进行批量归一化，并采用LeakyRelu激活函数。


5.如权利要求1所述的方法，其特征在于，步骤S5中多流态卷积循环神经网络模型包括11层卷积神经网络，6个卷积层，3个池化层，1个双向循环神经网络层和1个处理多分类任务的softmax层。


6.如权利要求1所述的方法，其特征在于，多流态卷积循环神经网络模型的损失函数为：



其中，labeli表示单个心电数据的标签，predicti...

【专利技术属性】
技术研发人员：刘娟，李宇翔，冯晶，刘思璇，
申请(专利权)人：武汉大学，武汉大学苏州研究院，
类型：发明
国别省市：湖北;42