基于卷积神经网络和循环神经网络结合的心电诊断方法技术

本发明专利技术涉及心电信号处理技术领域，具体涉及基于卷积神经网络和循环神经网络结合的心电诊断方法。包括：S1、采集心电信号训练数据，并分别附上标签进行数据预处理；S2、将预处理后的训练数据进行数据增强；S3、构建联合神经网络模型，利用增强后的训练数据对联合神经网络模型进行训练，得到训练模型；S4、获取目标心电信号，将目标心电信号输入训练模型进行计算，输出概率值；S5、根据输出的概率值进行正负例判断，得出分类判断结果。本发明专利技术可以有效提高心电诊断的效率和准确率，且提供的训练模型可以涵盖各种复杂心电特征，便于进行数据的迁移学习。

ECG diagnosis method based on convolution neural network and cyclic neural network

【技术实现步骤摘要】
基于卷积神经网络和循环神经网络结合的心电诊断方法
本专利技术涉及心电信号处理
，具体涉及基于卷积神经网络和循环神经网络结合的心电诊断方法。
技术介绍
心电图检查是医院的常规检查项目，心电图是医生判断病人心脏状况的最基本依据，心电图信号是由心脏活动引起的非平稳周期性生物信号转换成的电信号，蕴含大量复杂的心脏活动信息。当前心电诊断领域还存在着一些问题：1、诊断大夫的培养周期长、成本高，目前高端人才的缺口还很大；2、大夫个人主观性差别很大，很难做到诊断标准完全统一；3、大夫仅凭肉眼观察，很多底层信息不可见，信息利用率低；4、相似疾病太多，看图过程中存在大量重复性劳动；5、大夫看图耗时很长，至少几分钟到数小时不等。针对这些问题，现行的解决办法有传统的数字信号处理方法和利用机器学习模型或统计学习模型处理方法。利用传统的数字信号处理方法，针对某种特定疾病心电图，先手动提取特征，然后根据阈值做判断，该方法需要有大量的医学和信号处理经验，而且不具有通用性，在换了疾病之后，很难再有较高的准确率，甚至根本不能工作。利用机器学习模型或统计学习模型，在一定程度上，实现了自动化，也具备了一定的通用性，比第一类方法，在准确率上也有极大的提高，但是模型依然存在表达能力不足的问题，不能涵盖各种复杂的情况，而且很难进行迁移学习。
技术实现思路
针对现有技术存在的不足，本专利技术提供了基于卷积神经网络和循环神经网络结合的心电诊断方法，其应用时，可以有效提高心电诊断的效率和准确率，且提供的训练模型可以涵盖各种复杂心电特征，便于进行数据的迁移学习。本专利技术所采用的技术方案为：基于卷积神经网络和循环神经网络结合的心电诊断方法，包括以下步骤：S1、采集心电信号训练数据，并分别附上标签进行数据预处理；S2、将预处理后的训练数据进行数据增强；S3、构建由卷积神经网络和循环神经网络结合的联合神经网络模型，利用增强后的训练数据对联合神经网络模型进行训练，得到训练模型；S4、获取目标心电信号，将目标心电信号输入训练模型进行计算，输出概率值；S5、根据输出的概率值进行正负例判断，得出分类判断结果。作为上述技术方案的优选，在步骤S1中，采集的心电信号训练数据包含集至少600个病例数据，每个病例数据有5000个时间步和12个通道。作为上述技术方案的优选，在步骤S1中，对训练数据进行数据预处理的步骤包括：S11、读取所有通道心电信号训练数据；S12、构建多通道数据矩阵：将读取的多通道心电数据按照[time_step,channel]的矩阵形式排布，其中，time_step为时间步，也就是按照时间顺序的采样点数，channel为通道数；S13、对数据矩阵进行数据归一化处理：在特征维度上，每个特征值都减去该时间步下所有特征的均值，然后再除以该时间步下所有特征的标准差；S14、将归一化处理后的数据对应标签进行0-1编码：正例为1，负例为0。作为上述技术方案的优选，在步骤S23中，对数据矩阵进行数据归一化处理的公式为：其中，Fnew为归一化之后的特征值，Fold为归一化之前的特征值，μ为该时间步下所有特征值的均值，σ为该时间步下所有特征值的标准差。作为上述技术方案的优选，在步骤S2中，对预处理后的训练数据进行数据增强的步骤包括：S21、在时间步的维度上，将数据提前或者延后一个设定的范围；S22、然后对数据添加高斯噪声；S23、最后将数据的时序翻转。作为上述技术方案的优选，在步骤S3中，构建的联合神经网络模型结构的正向传播方向依次包括：第一一维卷积层Conv1D，输出通道为32,卷积核为15，strides为7，激活函数为relu，padding为valid；第二一维卷积层Conv1D，输出通道为64,卷积核为11，strides为3，激活函数为relu，padding为valid；一维最大池化层MaxPooling1D，池化核为2；第三一维卷积层Conv1D，输出通道为128,卷积核为7，strides为2，激活函数为relu，padding为valid；第一长短时记忆层LSTM，输出通道为128；第二长短时记忆层LSTM，输出通道为256；第三长短时记忆层LSTM，输出通道为512；随机失活层Dropout，随机使一半的神经元失活；第一全连接层Dense，神经元数量为256，激活函数为relu；第二全连接层Dense，神经元数量为2，激活函数为softmax，输出该心电病例阴阳性的概率。作为上述技术方案的优选，在步骤S3中，对联合神经网络模型进行训练的步骤包括：S31、从训练数据中读取一个批量的心电样本数据；S32、将样本数据输入联合神经网络模型中进行正向传播，得出预测概率；S33、将预测概率与真实标签概率做交叉熵损失函数计算，得出平均损失值；S34、将平均损失值通过梯度下降法逐层反向传播，进行参数更新；S35、重复上述步骤S31至S34的过程，直到平均损失值降到标准范围。作为上述技术方案的优选，在步骤S33中，交叉熵损失函数计算公式为：其中，loss为一个批量的平均损失值，N为一个批量的样本个数，yi为第i个样本的真实标签概率，为第i个样本的预测概率。作为上述技术方案的优选，在步骤S5中，根据输出的概率值进行正负例判断公式为：其中，p为训练模型输出概率值，p0为正负例的分割阈值，取0.5。本专利技术的有益效果为：本专利技术通过构建联合神经网络模型，再提取大量心电信号训练数据供联合神经网络模型进行各种复杂特征训练，获得兼容性高、涵盖面广的训练模型，然后利用训练模型实现端到端的自动化心电诊断，诊断效率和准确率相对于现有技术都有了极大的提高，且诊断面广，可以涵盖各种复杂情况，同时可以对新增数据进行迁移学习，模型升级变得简单易操作，能保证对原有知识的最大兼容性。附图说明为了更清楚地说明本专利技术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专利技术的一些实施例，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。图1为本专利技术的步骤实施框图；图2为联合神经网络模型结构示意图。具体实施方式下面结合附图及具体实施例对本专利技术作进一步阐述。在此需要说明的是，对于这些实施例方式的说明用于帮助理解本专利技术，但并不构成对本专利技术的限定。本文公开的特定结构和功能细节仅用于描述本专利技术的示例实施例。然而，可用很多备选的形式来体现本专利技术，并且不应当理解为本专利技术限制在本文阐述的实施例中。应当理解，术语第一、第二等仅用于区分描述，而不能理解为指示或暗示相对重要性。尽管本文可以使用术语第一、第二等等来描述各本文档来自技高网...

【技术保护点】
1.基于卷积神经网络和循环神经网络结合的心电诊断方法，其特征在于，包括以下步骤：/nS1、采集心电信号训练数据，并分别附上标签进行数据预处理；/nS2、将预处理后的训练数据进行数据增强；/nS3、构建由卷积神经网络和循环神经网络结合的联合神经网络模型，利用增强后的训练数据对联合神经网络模型进行训练，得到训练模型；/nS4、获取目标心电信号，将目标心电信号输入训练模型进行计算，输出概率值；/nS5、根据输出的概率值进行正负例判断，得出分类判断结果；/n在步骤S3中，构建的联合神经网络模型结构的正向传播方向依次包括：/n第一一维卷积层Conv1D，输出通道为32,卷积核为15，strides为7，激活函数为relu，padding为valid；/n第二一维卷积层Conv1D，输出通道为64,卷积核为11，strides为3，激活函数为relu，padding为valid；/n一维最大池化层MaxPooling1D，池化核为2/n第三一维卷积层Conv1D，输出通道为128,卷积核为7，strides为2，激活函数为relu，padding为valid；/n第一长短时记忆层LSTM，输出通道为128；/n第二长短时记忆层LSTM，输出通道为256；/n第三长短时记忆层LSTM，输出通道为512；/n随机失活层Dropout，随机使一半的神经元失活；/n第一全连接层Dense，神经元数量为256，激活函数为relu；/n第二全连接层Dense，神经元数量为2，激活函数为softmax，输出该心电病例阴阳性的概率。/n...

【技术特征摘要】
1.基于卷积神经网络和循环神经网络结合的心电诊断方法，其特征在于，包括以下步骤：
S1、采集心电信号训练数据，并分别附上标签进行数据预处理；
S2、将预处理后的训练数据进行数据增强；
S3、构建由卷积神经网络和循环神经网络结合的联合神经网络模型，利用增强后的训练数据对联合神经网络模型进行训练，得到训练模型；
S4、获取目标心电信号，将目标心电信号输入训练模型进行计算，输出概率值；
S5、根据输出的概率值进行正负例判断，得出分类判断结果；
在步骤S3中，构建的联合神经网络模型结构的正向传播方向依次包括：
第一一维卷积层Conv1D，输出通道为32,卷积核为15，strides为7，激活函数为relu，padding为valid；
第二一维卷积层Conv1D，输出通道为64,卷积核为11，strides为3，激活函数为relu，padding为valid；
一维最大池化层MaxPooling1D，池化核为2
第三一维卷积层Conv1D，输出通道为128,卷积核为7，strides为2，激活函数为relu，padding为valid；
第一长短时记忆层LSTM，输出通道为128；
第二长短时记忆层LSTM，输出通道为256；
第三长短时记忆层LSTM，输出通道为512；
随机失活层Dropout，随机使一半的神经元失活；
第一全连接层Dense，神经元数量为256，激活函数为relu；
第二全连接层Dense，神经元数量为2，激活函数为softmax，输出该心电病例阴阳性的概率。


2.根据权利要求1所述的基于卷积神经网络和循环神经网络结合的心电诊断方法，其特征在于：在步骤S1中，采集的心电信号训练数据包含集至少600个病例数据，每个病例数据有5000个时间步和12个通道。


3.根据权利要求1所述的基于卷积神经网络和循环神经网络结合的心电诊断方法，其特征在于：在步骤S1中，对训练数据进行数据预处理的步骤包括：
S11、读取所有通道心电信号训练数据；
S12、构建多通道数据矩阵：将读取的多通道心电数据按照[time_step,channel]的矩阵形式排布，其中，time_step为时间步，也就是按照时间顺...

【专利技术属性】
技术研发人员：李晓华，
申请(专利权)人：北京华医共享医疗科技有限公司，
类型：发明
国别省市：北京;11