基于改进损失函数的神经网络的心律类型识别方法和装置制造方法及图纸

本申请涉及一种基于改进损失函数的神经网络的心律类型识别方法和装置，训练时采用的损失函数主要由两部分组成：增加了预测的心电标签向量与心电标签向量之间的交叉熵损失函数来训练网络。由于该损失函数将心电标签中两两不能同时存在的心律组合单独计算损失，神经网络能有效的避免预测出的心电标签向量存在互相矛盾的结果，进而提高神经网络模型的识别结果的准确性。

【技术实现步骤摘要】
基于改进损失函数的神经网络的心律类型识别方法和装置
本申请属于心电图
，尤其是涉及一种基于改进损失函数的神经网络的心律类型识别方法和装置。
技术介绍
心电图(ECG)是从体表记录心脏每一心动周期所产生的电活动变化形成的图形。通过心电图可以表征出人的多种心脏疾病。“心律不齐”指的是心跳或快或慢，超过了一般范围。心律不齐可能由心脏自律性异常或传导障碍等多种因素引起，因此在临床上心律不齐呈现出不同的种类，例如窦性心动过缓、室性早搏、房性早搏、心房颤动、窦性心动过速等等。这些病种之间可能具有排他性，亦可能是同时具有，因此从数学上看，依据心电信号判别疾病种类的问题是一个复杂的多标签分类问题。采用深度学习模型解决这类问题时，常用的一种做法是将多标签分类问题转化为若干个二分类问题。例如，当判断一个心电信号的种类是[窦性心动过缓、室性早搏、房性早搏、心房颤动、窦性心动过速、正常心电图]中的一种和几种时，往往以心电信号作为输入，计算出一个长度为6的向量，然后观察心电向量中各个位置元素的值，元素的值大于0.5表示心电信号属于该类，否则认为，不属于该类。...

【技术保护点】
1.一种基于改进损失函数的神经网络的心律类型识别方法，其特征在于，/n获取未知类型的心律类型的心电信号；/n将心电信号输入到神经网络模型中；/n获取神经网络模型的输出向量A[a

【技术特征摘要】
1.一种基于改进损失函数的神经网络的心律类型识别方法，其特征在于，
获取未知类型的心律类型的心电信号；
将心电信号输入到神经网络模型中；
获取神经网络模型的输出向量A[a1，a2,…，an]，其中ai∈[T1，T2]，i＝1、2、3、……n，根据ai中大于的值确定心律类型；
使用的神经网络模型包括：输入层、多个卷积层和池化层、长短期记忆人工神经网络、1个注意力层、全连接层以及1个分类器层；
神经网络模型的训练包括以下步骤：
采集充分多数量的已知心律类型的心电信号；
以长度为N的定义标签向量[y1，y2,…，yn]定义每个心电信号，心电信号属于第i类心律类型时，则定义标签向量的yi为T1，其余为T2，且T1大于T2；
将心电信号及对应的标签向量的输入到神经网络模型中进行训练；
训练时引入损失函数为：



其中，
A[a1，a2,…，an]是输入心电信号后神经网络模型的输出向量，长度为N，ak为在输出向量中第k个元素；Al表示一段心电信号中不可能同时存在的心律不齐类型对，共M对，ak为在输出向量中第k个元素，yk为定义标签向量中第k个元素；
c表示损失函数，N表示心律类型总数，心电标签向量为al为训练时当前的神经网络计算出的输出大小，N是心律类型的总数，M为两两不能同时存在的心律类型组合的数量；
当损失函数的值稳定时，结束训练，得到训练好的神经网络模型。


2.根据权利要求1所述的基于改进损失函数的神经网络的心律类型识别方法，其特征在于，采集充分多数量的已知心律类型的多导联心电信号后，还对所述心电信号进行预处理，预处理采用预设截止频率的滤波器对所述心电信号进行滤波处理。


3.根据权利要求2所述的基于改进损失函数的神经网络的心律类型识别方法，其特征在于，所述预处理还包括以下步骤：
判断所述心电信号的采样频率是否为预设频率；
当所述采样频率不是所述预设频率时，采用内插法将所述心电信号重采样为所述预设频率的心电信号。


4.根据权利要求1-3任一项所述的基于改进损失函数的神经网络的心律类型识别方法，其特征在于，心电信号为多导联心电信号时，将每一条心电信号按照导联顺序拼接到一起形成。


5.根据权利要求1-4任一项所述的基于改进损失函数的神经网络的心律类型识别方法，其特征在于，T1赋值为1，T2赋值为0。


6.根据权利要求1-5任一项所述的基于改进损失函数的神经网络的心律类型识别方法，其特征在于，所述神经网络模型包括全连接层为两层。

【专利技术属性】
技术研发人员：朱俊江，黄浩，
申请(专利权)人：上海数创医疗科技有限公司，
类型：发明
国别省市：上海;31