一种心电信号多分类方法及装置制造方法及图纸

本发明专利技术涉及心电信号分类技术领域，公开了一种心电信号多分类方法，包括以下步骤：获取原始心电信号，为所述原始心电信号标注类别标签；根据原始心电信号生成心电频谱图，建立频谱图样本集；基于所述频谱图样本集对计算机视觉网络进行迁移学习，提取所述心电频谱图的频谱图特征；基于所述频谱图特征建立有限图，以所述有限图作为输入，以类别标签作为输出，对图神经网络进行训练，得到心电信号的多分类模型；根据所述多分类模型对心电信号进行分类得到多分类结果。本发明专利技术具有分类模型训练难度低、分类效果精度高的技术效果。

【技术实现步骤摘要】
一种心电信号多分类方法及装置
本专利技术涉及心电信号分类
，具体涉及一种心电信号多分类方法、装置以及计算机存储介质。
技术介绍
计算机辅助诊断在临床心电工作流程中起着至关重要的作用。近年来，随着可供使用的数字心电图数据越来越多，相比传统的基于规则和手工特征的心电图算法，基于深度学习的心电图算法在准确性和扩展性上的优势已开始慢慢凸显。然而，大部分现有的工作都是仅针对某个或某几个特定的心电图异常类别设计专属的神经网络，且从零开始训练，并没有利用一些成熟领域的已有成果。这种针对具体问题，设计专有网络，从零开始训练的方法，在样本数量充足的情况下尚且可行，无非计算所需的时间多一些。但是当样本数量不足，比如某些罕见疾病，从零开始训练得到的模型往往泛化能力较差。此外，由于实际中的心电图往往包含多种异常，即多个类别标签，相比单标签(仅包含一种异常)问题，多标签分类的结果更多，难度更大。现有的方法主要包括：(1)基于临床知识和专家意见，构建图来建模各类心电图异常之间的关系，以此来修正最终的分类预测结果；(2)基于计算机视觉中的注意力机制，对心电图的局部图片标签关系建模；(3)基于RNN(循环神经网络)的方法建模。上述针对多标签问题的解决方法，第一种受限于人的先验知识，后面两种受限于方法固有的缺陷，比如第二种——RNN无法处理过长的数据，RNN由于其本身网络结构的原因，存在严重的短期记忆问题，当数据序列过长时，即使是对判断结果起到重要作用的信息，也可能被模型忽略掉，最终使得识别准确度下降。那对于多标签的情况，如果标签序列间隔比较远，它们之间的关系，就可能无法被RNN模型捕捉到。第三种受限于注意力机制无法处理全局关系,注意力机制，简单的理解就是只关注重点，而不关注全局。有点类似人看图片，当给定一张图片时，人实际上并没有看清图片的全部内容，而是将注意力集中在图片的某一些焦点上。这样所带来的缺点也很明显，就是无法捕捉到序列间的相对位置信息。对于给定的一串序列，注意力机制因为只关注局部的一段序列，很显然会遗漏其它不在关注区域的信息，某些细微处的特征也就无法被捕捉到，从而导致多标签分类精度不高。
技术实现思路
本专利技术的目的在于克服上述技术不足，提供一种心电信号多分类方法、装置以及计算机存储介质，解决现有技术中分类模型的训练需要从零开始，且分类精度低的技术问题。为达到上述技术目的，本专利技术的技术方案提供一种心电信号多分类方法，包括以下步骤：获取原始心电信号，为所述原始心电信号标注类别标签；根据原始心电信号生成心电频谱图，建立频谱图样本集；基于所述频谱图样本集对计算机视觉网络进行迁移学习，提取所述心电频谱图的频谱图特征；基于所述频谱图特征建立有限图，以所述有限图作为输入，以类别标签作为输出，对图神经网络进行训练，得到心电信号的多分类模型；根据所述多分类模型对心电信号进行分类得到多分类结果。本专利技术还提供一种心电信号多分类装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现所述心电信号多分类方法。本专利技术还提供一种计算机存储介质，其上存储有计算机程序，所述计算机该程序被处理器执行时，实现所述心电信号多分类方法。与现有技术相比，本专利技术的有益效果包括：本专利技术利用已经训练到的计算机视觉网络迁移至心电频谱图上，提取到频谱图特征，然后通过图神经网络的训练，融合各频谱图特征，得到多分类模型。由于利用了计算机视觉网络作为基础进行迁移学习，因此不需要从零开始训练，降低了对训练数据的数量要求，且减少了训练时间。同时，在利用计算机视觉网络提取局部频谱图特征的基础上，利用图神经网络对各频谱图特征进行融合，提取全局特征，避免了空间信息的丢失，提高了多分类的精度。附图说明图1是本专利技术提供的心电信号多分类方法一实施方式的流程图；图2是本专利技术提供的生成心电频谱图一实施方式的示意图；图3是本专利技术提供的图神经网络一实施方式的结构示意图；图4是本专利技术提供的多分类模型以及关系分类器一实施方式的训练过程示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。实施例1如图1所示，本专利技术的实施例1提供了心电信号多分类方法，包括以下步骤：S1、获取原始心电信号，为所述原始心电信号标注类别标签；S2、根据原始心电信号生成心电频谱图，建立频谱图样本集；S3、基于所述频谱图样本集对计算机视觉网络进行迁移学习，提取所述心电频谱图的频谱图特征；S4、基于所述频谱图的特征建立有限图，以所述有限图作为输入，以类别标签作为输出，对图神经网络进行训练，得到心电信号的多分类模型；S5、根据所述多分类模型对心电信号进行分类得到多分类结果。本实施例收集原始心电信号，并标注类别标签，但是并没有利用原始心电信号直接进行训练建模，而是用原始心电信号生成心电频谱图，得到用于训练的频谱图样本集。将原始心电信号转换成心电频谱图，是为了匹配计算机视觉网络的模型框架，因为计算机视觉网络的输入是图片，可看作二维灰度图像数据，而心电信号是一维的数据，通过生成心电频谱图实现匹配计算机视觉网络的目的。心电频谱图的能量主要集中在0-25HZ，因此优选去掉>25Hz的部分，这样可降低训练数据的维度，从而降低训练的复杂度，提高模型训练速度。将大型图像数据集上已训练好的计算机视觉网络迁移到心电频谱图上，然后对心电频谱图上的训练过程进行微调，最后通过图神经网络融合频谱图特征，完成对心电信号的多分类。本实施例通过引入迁移学习，在一定程度上缓解了训练数据样本不足的限制。而使用图神经网络基于提取的频谱图特征进行训练，可自动学习频谱图特征之间的局部和全局关系，避免了空间信息的丢失，克服了传统神经网络易丢失空间信息的不足，既提取了局部特征，又提取了全局特征，在一定程度上提高了分类的效果。优选的，根据原始心电信号生成心电频谱图，具体为：将所述原始心电信号的各导联信号分别切割为等长的片段；对每一所述片段进行快速傅里叶变换，得到所述片段的频谱图；对同一导联各片段的频谱图进行归一化处理，得到各导联的频谱图；对各导联的频谱图进行拼接，得到所述心电频谱图。优选的，对同一导联各片段的频谱图进行归一化处理，得到各导联的频谱图，具体为：其中，Gfi为第i个导联的频谱图，EWin表示第i个导联的第n个片段，FFT()表示快速傅里叶变换，max()表示取最大值，EWij表示第i个导联的第j个片段，j＝1,2,…,N,N为第i个导联的片段数量；快速傅里叶变换使用的窗函数为Hamming窗:由于心电图的能量主要集中在0-25Hz范围的低频部分，所有，我们只选用了前25％的频谱系数以降低输入数据的维度。这里，为了计本文档来自技高网...

【技术保护点】
1.一种心电信号多分类方法，其特征在于，包括以下步骤：/n获取原始心电信号，为所述原始心电信号标注类别标签；/n根据原始心电信号生成心电频谱图，建立频谱图样本集；/n基于所述频谱图样本集对计算机视觉网络进行迁移学习，提取所述心电频谱图的频谱图特征；/n基于所述频谱图特征建立有限图，以所述有限图作为输入，以类别标签作为输出，对图神经网络进行训练，得到心电信号的多分类模型；/n根据所述多分类模型对心电信号进行分类得到多分类结果。/n

【技术特征摘要】
1.一种心电信号多分类方法，其特征在于，包括以下步骤：
获取原始心电信号，为所述原始心电信号标注类别标签；
根据原始心电信号生成心电频谱图，建立频谱图样本集；
基于所述频谱图样本集对计算机视觉网络进行迁移学习，提取所述心电频谱图的频谱图特征；
基于所述频谱图特征建立有限图，以所述有限图作为输入，以类别标签作为输出，对图神经网络进行训练，得到心电信号的多分类模型；
根据所述多分类模型对心电信号进行分类得到多分类结果。


2.根据权利要求1所述的心电信号多分类方法，其特征在于，根据原始心电信号生成心电频谱图，具体为：
将所述原始心电信号的各导联信号分别切割为等长的片段；
对每一所述片段进行快速傅里叶变换，得到所述片段的频谱图；
对同一导联各片段的频谱图进行归一化处理，得到各导联的频谱图；
对各导联的频谱图进行拼接，得到所述心电频谱图。


3.根据权利要求2所述的心电信号多分类方法，其特征在于，对各导联的频谱图进行拼接，得到所述心电频谱图，具体为：
按导联进行信号值方向上的拼接，得到多个导联组的频谱图；
对多个导联组的频谱图进行时间轴上的拼接，得到所述心电频谱图。


4.根据权利要求1所述的心电信号多分类方法，其特征在于，基于计算机视觉网络进行迁移学习，提取所述心电频谱图的频谱图特征，具体为：
所述计算机视觉网络为GoogLeNet网络，将所述GoogLeNet网络的softmax层的维度设置为分类类别数量，利用修改后的GoogLeNet网络对所述心电频谱图进行迁移学习，得到所述心电频谱图的频谱图特征。


5.根据权利要求1所述的心电信号多分类方法，其特征在于，基于所述频谱图特征建立有限图，具体为：
G...

【专利技术属性】
技术研发人员：朱佳兵，朱涛，
申请(专利权)人：武汉中旗生物医疗电子有限公司，
类型：发明
国别省市：湖北;42