基于局部模式变换的心电图分类方法技术

本发明专利技术公开了一种基于局部模式变换的心电图分类方法，包括：(1)取得原始心电数据和心电图附加信息，并对原始心电数据进行预处理；(2)对预处理后的心电数据进行增广变换处理获得心电增广数据；(3)利用心电增广数据和心电图附加信息对深度学习模型进行训练；(4)对待分类的心电图数据中的原始心电数据进行子段随机截取，将子段随机截取后的心电数据和心电图附加信息输入训练好的深度学习模型中，获得每个子段的局部概率值，再对所有局部概率值进行汇总，获得最终分类结果。本发明专利技术使用卷积神经网络及其变体能直接处理可变长度的心电图数据。

【技术实现步骤摘要】
基于局部模式变换的心电图分类方法
本专利技术涉及心电图分类
，尤其涉及一种基于局部模式变换的心电图分类方法。
技术介绍
心电图是记录人体心脏电活动的可视时间序列，已广泛应用于心脏相关疾病的检查，并形成了比较完善的判读标准。随着可穿戴技术的兴起，心电图分析正在向院外、亚健康人群和长时间监护发展，这使得医生工作量大增，也使得对自动化诊断的需求越来越迫切。用于临床诊断的心电图一般是12导联，每个导联通常采集10-60秒的心电数据。受限于不准确的传统特征提取方法，经典基于特征工程的心电图分类算法的实际性能不佳。近年来，以卷积神经网络(ConvolutionalNeuralNetwork,CNN)为代表的深度学习在心电图分析领域取得重要进展。例如，公开号为CN110432892A的中国专利文献公开了一种机器学习心电图自动诊断云。该自动诊断云包括：心电图采集，互联网/移动互联网，云平台及机器学习心电图自动诊断系统。机器学习心电图自动诊断系统直接处理心电图图像数据，通过一个训练好的深度卷积神经网络分类系统，完成对心电图信号自动诊断。但该方法只能处理固定尺寸的输入数据，所以需要对原始数据进行截断、填充或拉伸等，不利于后续的分类识别。目前的最佳做法是首先利用CNN及其变体对原始心电数据进行降维，接着交由以长短时记忆网络(LongShort-TermMemory,LSTM)为代表的递归结构层对可变长度数据进行处理，并融入注意力机制(AttentionMechanism,AM)，最后交由分类模块执行分类，即“CNN+LSTM+AM”模型。公开号为CN111012332A的中国专利文献公开了基于神经网络的12导联心电信号多标签分类方法，具体步骤为：确定数据输入格式、改进卷积神经网络、数据输入通过全连接层将3条支流的特征信息融合，最后进行标签分类。该方法利用12导联信号做数据来源充分挖掘患者临床信息，利用改进的三支流CNN提取到不同尺度的医学特征从双层LSTM结构的RNN时间序列性中找到规律，提高多分类准确率。尽管该方法能取得不错的分类效果，但计算复杂度高；同时由于参数优化困难，往往需要额外的优化技术如Dropout、Adam等，进一步增加模型复杂度。
技术实现思路
本专利技术提供了一种基于局部模式变换的心电图分类方法，使用卷积神经网络及其变体能直接处理可变长度的心电图数据，同时从一定程度上解决参数优化困难、计算复杂度高等问题。本专利技术的具体技术方案如下：一种基于局部模式变换的心电图分类方法，包括：(1)取得原始心电数据和心电图附加信息，并对原始心电数据进行预处理；(2)对预处理后的心电数据进行增广变换处理获得心电增广数据；所述的增广变换处理包括：子段随机截取、叠加随机噪声、沿着时间轴拉伸或收缩、小区域数据随机污染和/或按一定比例添加错误标签；(3)利用心电增广数据和心电图附加信息对深度学习模型进行训练；(4)对待分类的心电图数据中的原始心电数据进行子段随机截取，将子段随机截取后的心电数据和心电图附加信息输入训练好的深度学习模型中，获得每个子段的局部概率值，再对所有局部概率值进行汇总，获得最终分类结果。所述的心电图数据包括原始心电数据和心电图附加信息。步骤(1)中，所述的原始心电数据为短时的单/多导联数据，对于长时心电图信号，需要事先进行分段。步骤(1)中：所述的预处理包括信号滤波、重采样、基本导联截取和幅值归一化。优选的，基于局部模式变换的心电图分类方法还包括：对预处理后的心电数据进行复制填充操作，之后再进行增广变换处理。根据疾病类型确定是否对预处理后的心电数据进行复制填充操作：对于一条短时心电图记录，只要其中一两个心拍为某种疾病类型，整条记录就判读为该疾病类型(例如早搏)，则需要执行复制填充操作。复制填充操作包括：设原始心电数据为dij(1≤i≤leadC,1≤j≤frameC)，填充长度为padC，且有padC≤frameC，则复制填充后的心电数据dij'为：其中1≤i≤leadC；leadC和frameC分别是原始心电图的导联数和帧数。步骤(2)中，所述的增广变换处理包括：(2-1)设某一样本的心电数据和起始点范围分别为dij(1≤i≤leadC,1≤j≤frameC)和[1,offset]；(2-2)确定一个起始点b(1≤b≤offset)，接着以此为基准点截取后续全部数据，即获得dik(1≤i≤leadC,b≤k≤frameC)；(2-3)有选择地对dik叠加噪声、沿着时间轴拉伸或收缩、小区域数据随机污染、按一定比例添加错误标签。子段随机截取为对心电数据直接进行截取或对深度学习模型提取的心电数据的变换特征进行截取。对深度学习模型提取的心电数据的变换特征进行截取包括：先用深度学习模型提取心电数据的变换特征，再对变换特征进行截取。两种截取方式的截取策略相同；所述的截取策略包括其中的子段截取策略包括不重叠子段、重叠子段、固定数量子段、变长度子段或应用场景自适应子段。不重叠子段是指每个子段之间的数据不重叠；重叠子段是指每个子段之间的数据可重叠；固定数量子段是指每个输入的心电数据截取为固定数目的子段；变长度子段是指每个子段的长度可不同；应用场景自适应子段是指根据应用场景确定截取方案，例如以心拍为单位截取子段，心拍长度可不同。若子段长度不同，则需在深度学习模型中引入全局最大池化(GlobalMaxPooling,GMP)、全局平均池化(GlobalAveragePooling,GAP)或空间金字塔池化(SpatialPyramidPooling,SPP)等自适应池化结构，且子段长度要限定在相同数量级内(例如长度范围为100～999)，不宜相差悬殊。所述的深度学习模型的分类器为卷积神经网络；所述的卷积神经网络为LCNN(LeadConvolutionalNeuralNetwork,导联卷积神经网络)、VGGNet、ResNet或DenseNet。步骤(3)中，基于损失函数并利用误差反向传播算法对深度学习模型进行训练；所述的损失函数为：其中1{.}为指示函数(当条件为真时返回1，否则返回0)，c为类别数，是训练数据集DS中的一个样本，ytrue是该样本的真实类别(取值范围为0,1,2,…,c-1)，yj是该样本属于类别j的预测概率。步骤(4)中，对所有局部概率值进行汇总的策略包括：选择性平均法、概率阈值法、多数投票法、注意力机制法、跳跃连加法、Noisy-or法、Int-seg-rec法、Generalized-mean法、Log-sum-exp法、Noisy-and法、LinearSoftmax法或Exp.Softmax法，并通过优先类和竞争类扩展原始的计算方法。只要保证所述的损失函数可微，其它线性或非线性的汇总计算方法均可使用。与现有技术相比，本专利技术的有益效果为：(1)相比固本文档来自技高网...

【技术保护点】
1.一种基于局部模式变换的心电图分类方法，其特征在于，包括：/n(1)取得原始心电数据和心电图附加信息，并对原始心电数据进行预处理；/n(2)对预处理后的心电数据进行增广变换处理获得心电增广数据；所述的增广变换处理包括：子段随机截取、叠加随机噪声、沿着时间轴拉伸或收缩、小区域数据随机污染和/或按一定比例添加错误标签；/n(3)利用心电增广数据和心电图附加信息对深度学习模型进行训练；/n(4)对待分类的心电图数据中的原始心电数据进行子段随机截取，将子段随机截取后的心电数据和心电图附加信息输入训练好的深度学习模型中，获得每个子段的局部概率值，再对所有局部概率值进行汇总，获得最终分类结果。/n

【技术特征摘要】
1.一种基于局部模式变换的心电图分类方法，其特征在于，包括：
(1)取得原始心电数据和心电图附加信息，并对原始心电数据进行预处理；
(2)对预处理后的心电数据进行增广变换处理获得心电增广数据；所述的增广变换处理包括：子段随机截取、叠加随机噪声、沿着时间轴拉伸或收缩、小区域数据随机污染和/或按一定比例添加错误标签；
(3)利用心电增广数据和心电图附加信息对深度学习模型进行训练；
(4)对待分类的心电图数据中的原始心电数据进行子段随机截取，将子段随机截取后的心电数据和心电图附加信息输入训练好的深度学习模型中，获得每个子段的局部概率值，再对所有局部概率值进行汇总，获得最终分类结果。


2.根据权利要求1所述的基于局部模式变换的心电图分类方法，其特征在于，所述的预处理包括信号滤波、重采样、基本导联截取和幅值归一化。


3.根据权利要求1所述的基于局部模式变换的心电图分类方法，其特征在于，基于局部模式变换的心电图分类方法还包括：对预处理后的心电数据进行复制填充操作，之后再进行增广变换处理。


4.根据权利要求1所述的基于局部模式变换的心电图分类方法，其特征在于，所述的增广变换处理包括：
(2-1)设某一样本的心电数据和起始点范围分别为dij和[1,offset]；其中，1≤i≤leadC,1≤j≤frameC，leadC和frameC分别是原始心电图的导联数和帧数；
(2-2)确定一个起始点b，接着以此为基准点截取后续全部数据，即获得dik；其中，1≤b≤offset，1≤i≤leadC,b≤k≤frameC；
(2-3)有选择地对dik叠加噪声、沿着时间轴拉伸或收缩、小区域数据随机污染、按一定比例添加错...

【专利技术属性】
技术研发人员：金林鹏，董军，潘志庚，
申请(专利权)人：杭州师范大学，
类型：发明
国别省市：浙江;33