一种基于卷积神经网络的多导联心电信号分类方法技术

本发明专利技术公开了一种基于卷积神经网络的多导联心电信号分类方法，包括以下步骤：（1）获取中国心血管疾病数据库CCDD并进行数据预处理；（2）构建卷积神经网络，其包括两个重要组成部分，分别为全局特征的提取和局部特征的提取，全局特征提取部分利用不同的卷积核以不同的方式将多导联心电信号进行了融合，局部特征提取部分利用注意力网络学习了不同导联心电信号对于分类任务的不同重要性；（3）训练模型并优化超参数；（4）利用测试数据集来评估模型的性能，判断分类的准确性。本发明专利技术的一种基于卷积神经网络的多导联心电信号分类方法，学习了不同导联的不同重要性，有效融合了不同导联的心电信号，提高了分类的准确性，有效辅助医生诊断。诊断。诊断。

【技术实现步骤摘要】
一种基于卷积神经网络的多导联心电信号分类方法


[0001]本专利技术涉及与医疗有关的心电信号异常检测领域，特别涉及一种基于卷积神经网络的多导联心电信号分类方法。

技术介绍

[0002]心电图是一种用来记录和监测心脏电活动的信号，它可以用来观察心跳的规律，并帮助诊断心脏病，如心律失常，缺血性心脏病，心肌梗死等。随着技术的发展，不仅有基于单导联的心电信号，还有大量基于多导联的心电信号，能够更全面的监测心脏的状况。然而，在用心电图进行长期监护的情形下，人工检查就显得非常耗时和枯燥。在每天产生大量数据的体检中心，医生大部分时间都在区分正常和异常心电图，而无法集中精力分析异常心电图。所以利用计算机辅助进行心电信号的正常、异常分类，让医生有足够的精力和时间分析异常的心电信号变得尤为重要。
[0003]目前，已经有很多基于单导联信号的心电信号分类方法，然而单导联的信号只能反映心脏一部分的电活动，如V1和V2导联记录的是右心室的电活动，而V5和V6记录的是左心室的电活动。为了更准确的进行心电信号分类，应当更多的关注基于多导联信号的心电信号分类。不同于单导联信号，基于多导联信号的方法必须要同时考虑不同导联的信号情况。因此，在这项任务中，无论是基于传统的方法还是基于深度学习的方法，如何有效的提取和融合不同导联的特征都是一个关键的问题。而这一问题目前并没有得到有效的解决，虽然已经有许多基于多导联心电信号的方法被提出，但它们都忽略了不同导联信号对心电信号分类的不同影响。在进行心电信号分类时，虽然各个导联的信号都有用，但它们并不是同等重要的，某些导联的信号往往能够提供更为关键的信息，在心电信号分类中起到更加重要的作用。所以在对各个导联的信号所提供的特征信息进行融合时，应考虑不同导联的不同重要性，而目前的技术并没有考虑到这一关键问题,故此，我们提出了一种基于卷积神经网络的多导联心电信号分类方法。

技术实现思路

[0004]本专利技术的主要目的在于提供一种基于卷积神经网络的多导联心电信号分类方法，可以有效解决
技术介绍
中的问题。
[0005]为实现上述目的，本专利技术采取的技术方案为：
[0006]一种基于卷积神经网络的多导联心电信号分类方法，包括以下步骤：
[0007]步骤一、从中国心血管疾病数据库CCDD中获取12导联的数据，所述数据库中每条心电图记录均来自临床，持续时间为10～20s，采样频率为500Hz，诊断结论由心脏科医生给出，然后进行以下步骤的数据预处理；
[0008]a.去除时长不足9.625s以及记录结论为空或无效的心电图，然后将记录结论为“0x0101”或“0x020101”或“0x020102”的心电图标注为正常样本，其他则为异常样本；
[0009]b.对ECG数据进行低通滤波，然后下采样到200Hz；
[0010]c.跳过开始的25个采样点,取中间的1900个点的数据作为原始数据，由于12导联的数据有8个为基本导联，而其他4个导联可由基本导联推导得出，所以本专利技术只保留了8个基本导联的数据，即II,III,V1,V2,V3,V4, V5,V6导联的数据；
[0011]d.划分训练集、验证集以及测试集，并对训练集数据进行平移起始点和加噪处理，以处理数据不平衡问题，同时也增加了训练样本量，其中，平移起始点是指训练时，每个样本都是在[1,400]的范围内随机选起始点，然后选取连续的1500个点作为卷积神经网络的输入；而加噪处理包括叠加白噪声、低频基线漂移噪声和高频噪声，这两个处理对于8个导联的数据都是同步的。
[0012]步骤二、构建卷积神经网络，所构建的卷积神经网络包括两个重要组成部分，分别为全局特征的提取和局部特征的提取；
[0013]步骤三、利用训练集数据对模型进行训练，并利用验证数据集优化模型的超参数；
[0014]步骤四、利用测试数据集来评估模型的性能，判断分类的准确性。
[0015]优选的，所述步骤二中纳米改性硅化钒是通过有机锗对纳米硅化钒进行改性得到的。
[0016]优选的，在所述步骤二中，全局特征提取部分主要是利用卷积运算来提取心电信号的全局特征，采用不同尺寸的卷积核，经过两层卷积
‑
最大池化层后，再经过Flatten层，即得到全局特征向量；局部特征提取部分利用注意力机制给予不同导联不同的权重，对于关键的导联信号，往往会学习到更大的权重，然后将不同导联的心电信号加权求和，再经过全连接层降维，所得到的特征向量即为局部特征向量。最后将全局特征向量和局部特征向量进行拼接，再通过全连接层和输出层，即可得到心电信号的分类结果。
[0017]优选的，在所述步骤一d中，加噪处理的具体步骤包括：
[0018]S1：每个导联分别叠加幅度在[0,0.1]随机变化的白噪声；
[0019]S2：每个导联分别叠加幅度在[0,0.1]随机变化，相位随机，频率在[0, 0.2]随机变化的低频噪声；
[0020]S3：每个导联分别叠加幅度在[0,0.15]随机变化，相位随机，频率在[45, 90]随机变化的高频噪声；
[0021]S4：每个导联分别减去叠加噪声后的该导联平均值。
[0022]优选的，在所述步骤三中训练时使用交叉熵作为损失函数，并利用Adam 优化器来优化损失函数，模型的训练就是为了学习模型中的可训练参数，其首先利用均值为0，方差为0.1的高斯分布来初始化参数，然后将训练数据输入到模型中，以最小化损失函数为目标进行迭代。同时在训练几个epoch结束以后，可以利用验证集验证效果，以及时调整模型中的超参数。
[0023]与现有技术相比，本专利技术具有如下有益效果：
[0024]1、本专利技术提出的方法能够有效利用多个导联的信号，不仅考虑了不同导联能够提供心脏不同部分的电活动，还利用注意力机制对不同导联的不同重要性进行了学习，能够更加高效的利用不同导联的信息。
[0025]2、本专利技术通过多个不同的卷积核对多导联信号分别进行了卷积操作，能够以不同的方式融合多导联信号，所得到的全局特征更加全面，为进一步的分类提供了支撑，使得分类结果更加精确。
[0026]3、本专利技术利用卷积神经网络，不仅能够自动提取特征，减少人工提取特征的时间和精力，还能够对不同导联信号进行有效利用，可有效提升心电信号分类的准确度。
附图说明
[0027]图1为本专利技术的多导联心电信号分类整体流程图；
[0028]图2为本专利技术中基于卷积神经网络的模型图。
具体实施方式
[0029]为使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本专利技术。
[0030]在本专利技术的描述中，需要说明的是，术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的多导联心电信号分类方法，其特征在于：包括以下步骤：步骤一、从中国心血管疾病数据库CCDD中获取12导联的数据，所述数据库中每条心电图记录均来自临床，持续时间为10～20s，采样频率为500Hz，诊断结论由心脏科医生给出，然后进行以下步骤的数据预处理；a.去除时长不足9.625s以及记录结论为空或无效的心电图，然后将记录结论为“0x0101”或“0x020101”或“0x020102”的心电图标注为正常样本，其他则为异常样本；b.对ECG数据进行低通滤波，然后下采样到200Hz；c.跳过开始的25个采样点,取中间的1900个点的数据作为原始数据，由于12导联的数据有8个为基本导联，而其他4个导联可由基本导联推导得出，所以本发明只保留了8个基本导联的数据，即II,III,V1,V2,V3,V4,V5,V6导联的数据；d.划分训练集、验证集以及测试集，并对训练集数据进行平移起始点和加噪处理，以处理数据不平衡问题，同时也增加了训练样本量，其中，平移起始点是指训练时，每个样本都是在[1,400]的范围内随机选起始点，然后选取连续的1500个点作为卷积神经网络的输入；而加噪处理包括叠加白噪声、低频基线漂移噪声和高频噪声，这两个处理对于8个导联的数据都是同步的。步骤二、构建卷积神经网络，所构建的卷积神经网络包括两个重要组成部分，分别为全局特征的提取和局部特征的提取；步骤三、利用训练集数据对模型进行训练，并利用验证数据集优化模型的超参数；步骤四、利用测试数据集来评估模型的性能，判断分类的准确性。2.根据权利要求1所述的一种基于卷积神经网络...

【专利技术属性】
技术研发人员：张蓝天，吴松，
申请(专利权)人：北京芯动卫士科技有限公司，
类型：发明
国别省市：