一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法技术

本发明专利技术公开了一种基于CycleGAN和BiLSTM神经网络的心率失常类别检测,是按如下步骤进行：步骤1：多导联心电信号数据样本的预处理：1.1、心电信号采集；1.2、心电信号去噪处理；1.3、心电信号归一化处理；1.4、多导联的心电信号样本的生成；步骤2：利用CycleGAN（循环生成对抗网络)对预处理后的训练数据库2进行数据扩充；步骤3：心博异常检测：3.1、构建BiLSTM神经网络；3.2、BiLSTM神经网络的训练过程；3.3、分类评估。本发明专利技术涉及心电图异常检测技术领域。该种基于CycleGAN和BiLSTM神经网络方法的多导联心律失常检测方法，解决了上述存在的样本不均衡问题，使好的深度学习模型呈现出更好的表现结果。的表现结果。的表现结果。

【技术实现步骤摘要】
一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法


[0001]本专利技术涉及心电图异常检测
，具体为一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法。

技术介绍

[0002]心律失常指的是由于各种原因导致心脏激动的形成或传导障碍，使整个或部分心脏的活动频率过快或过慢，节律不规则。临床上通常根据电生理对心律失常进行分类， 由于心脏结构复杂，因此，心律失常种类也很多。科学研究表面，我国每年约有54万人死于心脏性猝死，近九成猝死原因是心律失常。由此可知，心律失常对人体的危害是非常大的。
[0003]目前心电图在心律失常检测方面，具有准确率高、价格实惠、无副作用等特点，是临床最常用的检查手段之一。常见的心电图分析系统通常先借助计算机辅助诊断(computer aided diagnosis ,CAD)得到初步的结果，再由心电医生归并、校正得出最终结论。在CAD中，心博（一个心动周期或一次心跳）分析是心律失常分析的基础。心博识别的准确度，极大地影响了后续人工分析的效率。这使得采用计算机对心电信号进行智能诊断带来了很大障碍。
[0004]不平衡问题是指训练集中某一个类的样本数量远超过其他类的数量。数量过多的类被称为多数类，其他类被称为少数类。以著名的MIT
‑
BIH心律失常数据集为例，当心电信 号被处理成心拍段落之后，其中N类别的心拍样本数量达到Q类别心拍样本的8000倍以上， 达到 F类别心拍样本的100倍以上。因此，我们将N类称为多数类，其他类别称为少数类。在医学诊断领域中，将少数类样本(即异常样本)错误分类成多数样本(正常样本)会延迟最佳 治疗时间，其代价远高于将多数类(正常样本)错分成少数类(异常样本)。此外，大多数机器 学习算法都假定在平衡的数据上进行训练所得的，高度倾斜的训练数据会使学习到的算法 更偏向于多数类。如何根据心电数据的特性，来克服不平衡的训练数据对分类问题所造成 的影响，是我们需要解决的关键问题。
[0005]随着人工智能技术的发展，目前心律失常的检测面临着两个挑战：特征提取中，传统方法对于多类别分类性能比较低，一些深度学习算法虽然加强了特征表示，但忽略了特征时序性和信息间的流通性。其次，深度学习模型多为数据驱动模型，即研究者需要提供大量训练样本作为模型的支持。但是现实情况中采集到的绝大部分心电信号属于正常信号，而相对的每种心率异常的心电信号数据较为稀少，与正常心电信号的比例严重失衡。同时由于测试病人的生理机能、运动状态、用药情况、测试环境的不同，心电信号难以保证是来自同一数据分布的。因此使得原本就不均衡的样本变得更不均衡。因而会导致即使模型的学习能力很好，但实际表现的结果并不是很理想。

技术实现思路

[0006]（一）解决的技术问题
针对现有技术的不足，本专利技术提供了一种基于CycleGAN和BiLSTM神经网络方法的多导联心律失常检测方法，解决了上述存在的样本不均衡问题，使好的深度学习模型呈现出更好的表现结果。
[0007]（二）技术方案为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法，具体包括以下步骤：步骤1：多导联心电信号数据样本的预处理；步骤1.1、心电信号采集：临床上获取测量时间在8秒以上正常多导联心电信号和N类心博异常的多导联心电信号；将获取到的正常多导联心电信号作为训练数据库1，N类心博异常的多导联心电信号作为训练数据库2；步骤1.2、心电信号去噪处理：对获取到的每个导联心电图信号进行预处理，以滤除基线漂移、工频干扰等噪音；步骤1.3、心电信号归一化处理：将去噪后的心电图信号分割成心拍，并将心拍对应的幅度值归一化，得到心拍形态学信息，包括：以R波波峰为中心在360Hz下采样得到234个样本点，再通过下采样操作压缩至97 个样本点，最后将心拍样本点对应的幅度值归一化至[0，1]区间作为心拍形态学信息；步骤1.4、多导联的心电信号样本的生成：根据上一步获取的心拍信号，将每个导联的每个心拍的相同时刻R波顶点每个导联所截取心电信号的W个点进行第二维度拼接，此时心电信号由1*W维扩增为12*W 维；步骤2：利用CycleGAN（循环生成对抗网络) 对预处理后的训练数据库2进行数据扩充；步骤2.1、生成新异常心电图数据：首先利用卷积神经网络提取预处理后的训练数据库2的心电信号特征，具体可包括具体的心电信号图片的输入特征与量心拍位置提取与RR间期和QRS复合波形态相关的节律特征，将心拍信号的形态学特征和节律特征进行融合，作为心拍的融合特征向量；其中节律特征包含当前心拍的QRS时长；当前心拍的RR间期 RR0；上一心拍的RR间期RR1；下一心拍的RR间期RR2；Ratio1＝RR0/RR1；Ratio2＝RR0/RR2； Ratio3＝RR0/MeanRR；Ratio1、Ratio2和Ratio3的均值Mratio；归一化后当前心拍与上一心拍的QRS复合波互相关函数的最大值Corr1；归一化后当前心拍与下一心拍的QRS复合波互相关函数的最大值Corr2，其中MeanRR是心电信号所有RR间期的均值；其次，通过组合图像的不相近特征，将图像在D
X
域中的特征向量转换为D
Y
域中的特征向量；然后，利用反卷积层（decovolution）完成从特征向量中还原出低级特征的工作，最后得到生成的异常类别的心电图数据；步骤2.2、判别新图片过程：将一张心电信号图像作为输入，并尝试预测其为原始图像或是生成器的输出图像，该过程需要从图像中提取特征，再通过添加产生一维输出的卷积层来确定提取的特征是否属于特定类别；步骤2.3、训练判别器和生成器过程：CycleGAN共享两个生成器，并各自带一个判别器，其中生成器都在试图欺骗判别器，希望生成的图片不能被判别器识别，所以根据判别器的反馈可以优化输出的图像，也就是最大化D
Y
(G(x))和D
X
(F(y))，也就相当于优化1
‑
D
Y
(G(x))和1
‑
D
X
(F(y))；
步骤2.3、重复进行步骤2.1和2.2，直至判别过程和生成过程达到纳什均衡状态；步骤3：心博异常检测：利用步骤2生成的新的心电图数据扩充原有的心电图样本数据库，并在此基础上利用BiLSTM神经网络训练心电信号的分类；步骤3.1、构建BiLSTM神经网络：基于BiLSTM神经网络包括BiLSTM神经网络层以及输出层；其中BiLSTM神经网络层包括输入层、前向传播层、后向传播层；先设定基BiLSTM神经网络的输入层、前向传播层、后向传播层以及输出层的节点个数，并随机设定相邻层各节点之间的权重。
[0008]步骤3.2、BiLSTM神经网络的训练过程：首先将预处理后的训练后训练数据库1和训练数据库2以及步骤2生成的新的心博异常心电信号混合在一起，进行随机划分；将训练集输入到BiLSTM神经网络神经网络的输入端，并通过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法，其特征在于：具体包括以下步骤：步骤1：多导联心电信号数据样本的预处理；步骤1.1、心电信号采集：临床上获取测量时间在8秒以上正常多导联心电信号和N类心博异常的多导联心电信号；将获取到的正常多导联心电信号作为训练数据库1，N类心博异常的多导联心电信号作为训练数据库2；步骤1.2、心电信号去噪处理：对获取到的每个导联心电图信号进行预处理，以滤除基线漂移、工频干扰等噪音；步骤1.3、心电信号归一化处理：将去噪后的心电图信号分割成心拍，并将心拍对应的幅度值归一化，得到心拍形态学信息，包括：以R波波峰为中心在360Hz下采样得到234个样本点，再通过下采样操作压缩至97个样本点，最后将心拍样本点对应的幅度值归一化至[0，1]区间作为心拍形态学信息；步骤1.4、多导联的心电信号样本的生成：根据上一步获取的心拍信号，将每个导联的每个心拍的相同时刻R波顶点每个导联所截取心电信号的W个点进行第二维度拼接，此时心电信号由1*W维扩增为12*W维；步骤2：利用CycleGAN(循环生成对抗网络)对预处理后的训练数据库2进行数据扩充；步骤2.1、生成新异常心电图数据：首先利用卷积神经网络提取预处理后的训练数据库2的心电信号特征，具体可包括具体的心电信号图片的输入特征与量心拍位置提取与RR间期和QRS复合波形态相关的节律特征，将心拍信号的形态学特征和节律特征进行融合，作为心拍的融合特征向量；其中节律特征包含当前心拍的QRS时长；当前心拍的RR间期RR0；上一心拍的RR间期RR1；下一心拍的RR间期RR2；Ratio1＝RR0/RR1；Ratio2＝RR0/RR2；Ratio3＝RR0/MeanRR；Ratio1、Ratio2和Ratio3的均值Mratio；归一化后当前心拍与上一心拍的QRS复合波互相关函数的最大值Corr1；归一化后当前心拍与下一心拍的QRS复合波互相关函数的最大值Corr2，其中MeanRR是心电信号所有RR间期的均值；其次，通过组合图像的不相近特征，将图像在D
X
域中的特征向量转换为D
Y
域中的特征向量；然后，利用反卷积层(decovolution)完成从特征向量中还原出低级特征的工作，最后得到生成的异常类别的心电图数据；步骤2.2、判别新图片过程：将一张心电信号图像作为输入，并尝试预测其为原始图像或是生成器的输出图像，该过程需要从图像中提取特征，再通过添加产生一维输出的卷积层来确定提取的特征是否属于特定类别；步骤2.3、训练判别器和生成器过程：CycleGAN共享两个生成器，并各自带一个判别器，其中生成器都在试图欺骗判别器，...

【专利技术属性】
技术研发人员：张蓝天，吴松，
申请(专利权)人：南京蝶谷健康科技有限公司，
类型：发明
国别省市：