心律失常分类系统和方法及执行该方法的记录介质技术方案

本发明专利技术公开了一种利用深层神经网络的心律失常分类系统及方法。根据本发明专利技术的一方面的利用深层神经网络的心律失常分类方法包括：接收ECG信号的步骤；对上述所接收的ECG信号进行预处理，使得适用于深层神经网络算法的的步骤；在上述预处理的ECG信号中检测P‑QRS‑T波的峰值的步骤；通过将上述检测出的P‑QRS‑T波的峰值与标签数据进行整合来构造一个文件，从而构造数据集的步骤；通过将包括输入层、隐藏层和输出层的深层神经网络适用于P‑QRS‑T波的峰值和数据集来对心律失常进行分类的步骤。

Classification system and method of arrhythmia and recording medium for implementing the method

【技术实现步骤摘要】
心律失常分类系统和方法及执行该方法的记录介质
本专利技术涉及一种利用深层神经网络的心律失常分类系统及方法，更详细地，涉及利用深层神经网络，在没有特征提取过程的情况下利用R-QRS-T峰值对心律失常进行分类的利用深层神经网络的心律失常分类系统及方法。
技术介绍
最近，随着韩国国内经济增长和生活环境的西欧化，心脏疾病与癌症、脑血管疾病一起成为了主要死亡原因之一。以2016年为准，心脏疾病是韩国第二大主要死亡原因，心脏疾病的不可预测的风险表明了随时监测心电图(electrocardiogram：ECG)的必要性，当存在相关病史的情况下，无论时间和地点如何，需要日常护理。现有的关于心律失常的研究用于通过作为生命体征之一的心电图，对异常快速、缓慢或不规则的心跳诊断有无心律失常。心电图具有P-QRS-T波的形态，并且许多研究通过提取QRS复合波和R-R间期的特征来自动分析。但是，现有的方式是需要正确检测P-QRS-T波，并通过其来提取特征值。如果峰值(peak)检测过程中或提取特征过程中发生错误，准确度会很差。如此，对于现有的方式，提取特征过程是相当重要的部分，但心电图信号因人而异，因此难以一概而论，从而需要使用数据处理和复杂的算法。由于每个人的心电图信号特征都不同，因此简单的算法在设置不同的阈值(threshold)方面存在局限性，而当使用更高级的机器学习算法时，该算法将变得非常复杂。现有技术文献专利文献专利文献1：韩国授权专利第10-1429710号(2014年08月12月公告)
技术实现思路
专利技术所要解决的问题用于解决如上述问题而提交的本专利技术的目的在于提供一种利用深层神经网络，在没有特征提取过程的情况下利用R-QRS-T峰值对心律失常进行分类的利用深层神经网络的心律失常分类系统及方法。可以通过下述的说明来理解本专利技术的其他目的及优点，并可以通过本专利技术的一实施例来更加清楚的得知本专利技术的其他目的及优点。并且可以容易得知通过显示在权利要求中的方案及其组合来实现本专利技术的目的及优点。用于解决问题的方案用于达成如上述目的的根据本专利技术的一方面的利用深层神经网络的心律失常分类系统中的心律失常分类方法包括：接收ECG信号的步骤；对上述所接收的ECG信号进行预处理，使得适用于深层神经网络算法的的步骤；在上述预处理的ECG信号中检测P-QRS-T波的峰值的步骤；通过将上述检测出的P-QRS-T波的峰值与标签数据进行整合来构造一个文件，从而构造数据集的步骤；通过将包括输入层、隐藏层和输出层的深层神经网络适用于P-QRS-T波的峰值和数据集来对心律失常进行分类的步骤。在通过将包括输入层、隐藏层和输出层的深层神经网络适用于上述P-QRS-T波的峰值和数据集来对心律失常进行分类的步骤中，在上述隐藏层中将S型(sigmoid)函数作为激活函数来使用，在上述输出层中将归一化指数(softmax)函数作为激活函数来使用。将在ECG信号中检测的P-QRS-T波的峰值作为输入值用于上述输入层中，并且每个输入节点与下一个隐藏节点进行连接，隐藏层分为仿射层(Affinelayer)和Sigmoid层，并且将通过上述隐藏层而获得的输出值作为输入值输入到输出层的归一化指数函数，从而生成输出值。在上述仿射层中，通过输入值和权重值、偏差值来执行根据下述数学式的运算，并且将结果值作为输入值使用于S型函数，从而生成输出值。【数学式】y＝x×权重值+偏差值在对上述所接收的ECG信号进行预处理，使得适用于深层神经网络算法步骤中，使用带通滤波器对上述ECG信号执行滤波来消除噪音。在上述预处理的ECG信号中检测P-QRS-T波的峰值的步骤中，将Pan-TompkinsQRS检测算法适用于上述预处理的ECG信号中，从而检测P波、Q波、R波、S波、T波的峰值。通过将包括输入层、隐藏层和输出层的深层神经网络适用于P-QRS-T波的峰值和数据集来对心律失常进行分类的步骤，包含：通过小批量技术获取用于学习过程的数据的步骤；及对上述获取的数据基于误差反向传播算法更新参数的步骤。上述标签数据由3维向量标记的独热编码(one-hotencoding)形式构成。用于达到如上述目的的根据本专利技术的另一方面的利用深层神经网络的心律失常分类系统，其包括：ECG信号接收部，接收ECG信号；ECG信号预处理部，对上述接收的ECG信号进行预处理，使得适用于深层神经网络算法；峰值检测部，在上述预处理的ECG信号中检测P-QRS-T波的峰值；数据集构造部，通过将上述检测出的P-QRS-T波的峰值与标签数据进行整合来构造一个文件，从而构造数据集；心律失常分类部，通过将包括输入层、隐藏层和输出层的深层神经网络适用于P-QRS-T波的峰值和数据集来对心律失常进行分类。用于达成如上述目的的根据本专利技术的另一方面的记录介质，其为记录有计算机程序的计算机可读记录介质，上述记录介质执行利用深层神经网络的心律失常分类方法。专利技术效果根据本专利技术的一方面，其效果在于，在心电图信号中，在没有特征提取过程的情况下将R-QRS-T峰值作为输入值，从而对于利用深层神经网络的心律失常分类，能够提高准确度本专利技术能够获得的效果不局限于上述所提及的效果，并且通过从以下描述，本领域技术人员将明确的理解未提及的其他效果。附图说明本说明书所附的以下附图是示例本专利技术的优选实施例，并且与具体实施方式一同起到进一步理解本专利技术的技术思想的作用，因此本专利技术不应被解释为仅限于这些附图中所描述的内容。图1是根据本专利技术的一实施例的利用深层神经网络的心律失常分类系统的概略性的结构图。图2是示出根据心脏的收缩与舒张的心电图信号的波形的图。图3是示出一般的心电图波形的图。图4是示出QRS检测过程的流程的图。图5是示出根据本专利技术的一实施例而构成的数据集的图。图6是示出根据本专利技术的一实施例的深层神经网络模型的结构的图。图7是示出根据本专利技术的一实施例的适用隐藏层中使用的Sigmoid激活函数时的输出值的图。图8是根据本专利技术的一实施例的利用深层神经网络的心律失常分类方法的概略性的流程图。附图标记说明：100：ECG信号接收部；200：ECG信号处理部；300：峰值检测部；400：数据集构造部；500：心律失常分类部。具体实施方式上述的目的、特征及优点可以通过与附图相关的以下的详细的说明会更清晰，因此，本领域技术人员将能够容易的实现本专利技术的技术思想。并且，对本专利技术进行说明时，在说明本专利技术时，若判断为针对与本专利技术相关的公知技术的具体说明会不必要地影响本专利技术的主旨，则省略对其详细的说明。以下，通过参照附图，对根据本专利技术的优选的一实施例进行详细地说明。在整个说明书中，当某部分“包含”某构成要素时，这意味着，除非另有特殊相反的记载，否则可以进一步包括其他构成要素而不是排本文档来自技高网...

【技术保护点】
1.一种利用深层神经网络的心律失常分类方法，其特征在于，所述心律失常分类方法包括：/n接收ECG信号的步骤；/n对接收的所述ECG信号进行预处理，使得适用于深层神经网络算法的步骤；/n在预处理的所述ECG信号中检测P-QRS-T波的峰值的步骤；/n通过将检测出的所述P-QRS-T波的峰值与标签数据进行整合来构造一个文件，从而构造数据集的步骤；/n通过将包括输入层、隐藏层和输出层的深层神经网络适用于所述P-QRS-T波的峰值和数据集来对心律失常进行分类的步骤。/n

【技术特征摘要】
20181210 KR 10-2018-01582121.一种利用深层神经网络的心律失常分类方法，其特征在于，所述心律失常分类方法包括：
接收ECG信号的步骤；
对接收的所述ECG信号进行预处理，使得适用于深层神经网络算法的步骤；
在预处理的所述ECG信号中检测P-QRS-T波的峰值的步骤；
通过将检测出的所述P-QRS-T波的峰值与标签数据进行整合来构造一个文件，从而构造数据集的步骤；
通过将包括输入层、隐藏层和输出层的深层神经网络适用于所述P-QRS-T波的峰值和数据集来对心律失常进行分类的步骤。


2.根据权利要求1所述的利用深层神经网络的心律失常分类方法，其特征在于，
在通过将包括输入层、隐藏层和输出层的深层神经网络适用于所述P-QRS-T波的峰值和数据集来对心律失常进行分类的步骤中，
在所述隐藏层中将S型函数作为激活函数来使用，在所述输出层中将归一化指数函数作为激活函数来使用。


3.根据权利要求2所述的利用深层神经网络的心律失常分类方法，其特征在于，
将在ECG信号中检测的P-QRS-T波的峰值作为输入值用于所述输入层中，并且每个输入节点与下一个隐藏节点连接，隐藏层分为仿射层和Sigmoid层，并且将通过所述隐藏层而获得的输出值作为输入值输入到输出层的归一化指数函数，从而生成输出值。


4.根据权利要求3所述的利用深层神经网络的心律失常分类方法，其特征在于，
在所述仿射层中，通过输入值和权重值、偏差值来执行根据下述数学式的运算，并且将结果值作为输入值使用于S型函数，从而生成输出值，
【数学式】
y＝x×权重值+偏差值
其中，x为输入值。


5.根据权利要求1所述的利用深层神经网络的心律失常...

【专利技术属性】
技术研发人员：李和玟，全银广，
申请(专利权)人：顺天乡大学校产学协力团，
类型：发明
国别省市：韩国;KR