一种基于融合多个深度学习模型的房颤识别方法技术

一种基于融合多个深度学习模型的房颤识别方法，能够准确快速的分析心电信号是否出现房颤症状，方法包括1)数据采集和预处理；2)搭建神经网络模型；3)训练神经网络模型；4)对测试集样本进行自动识别；5)模型融合与评估，本发明专利技术能够准确快速的分析心电信号是否出现房颤症状然后根据每个模型的输出置信度，进行结果融合，并最终给出房颤的诊断结果。并最终给出房颤的诊断结果。并最终给出房颤的诊断结果。

【技术实现步骤摘要】
一种基于融合多个深度学习模型的房颤识别方法


[0001]本专利技术涉及一种基于融合多个深度学习模型的房颤识别方法，属于医疗信号处理


技术介绍

[0002]从医学的角度来说，房颤的判别主要依靠两大标准：P波消失和RR间期不均。其中P波消失指的是，患者心电图中的P波消失，同时P波的地方观察到高频率f波，频率大约为350
‑
600次每分钟。RR间期不均是指房颤患者相邻心拍间QRS波峰的间隔长短不一。
[0003]基于这两种房颤检测标准，衍生出了一系列基于心律不齐间隔序列的传统房颤检测算法，以及使用机器学习或者深度学习技术检测单个心拍是否P波消失的房颤检测算法。但这些算法仅研究了房颤与正常窦性心搏的区别，对于频发早搏、房性心动过速、房性早搏二联律等异常心搏无法做出准确的区分，而且这些算法没办法同时考虑P波消失和RR间期不均这两个房颤检测标准。本专利针对P波消失和RR间期不均这两个标准，分别训练出一个深度学习模型，然后根据每个模型的输出置信度，进行结果融合，并最终给出房颤的诊断结果。

技术实现思路

[0004]本专利技术的目的在于提供一种识别房颤与其他心电异常及正常心电的方法，能够准确快速的分析心电信号是否出现房颤症状。具体方法包括：
[0005]1)数据采集和预处理：
[0006](1)输入心电数据，对所述的心电数据进行滤波处理，然后对滤波后的心电数据进行R波定位检测，识别出心电数据中的R波位置，计算出所有的RR间期，同时限制心电信号电压值的绝对值在一定范围内，由此防止个别大数值带来的不好影响；
[0007](2)将心电数据按照30秒钟长度切片，每一份数据为一个长度为L的一维向量，记为X
ori
；同时将这30秒内数据对应的RR间期数组，记为x
RR
，其中X
RR
的长度为100，若这30秒内数据对应的RR间期个数不足100，则补零，若这30秒内数据对应的RR间期个数超过100，则只取前100个RR间期。
[0008]2)搭建神经网络模型：
[0009]本专利包括两个神经网络模型，其中Model1包含两个依次并联的输入通道，第一个输入通道由四个串联的卷积层单元和一个自注意力层单元组成，第二个输入通道由四个串联的卷积层单元组成，在每一路输入通道的输出端有一个Averagepool层，将每一路输入通道Averagepool层的特征图沿深度方向合并，记为合并层，在合并层之后，串联一个全连接层，最后通过softmax层得到Model1的输出结果。其中Model2只有一个输入通道，先串联三个残差卷积层单元和一个Averagepool层，再串联一个全连接层，最后通过softmax层得到Model2的输出结果，所述卷积层单元使用的是一维卷积。
[0010]3)训练神经网络模型：
[0011]初始化所述两个神经网络模型参数后，将所有30秒心电信号数据集U划分为数据集U1和数据集U2，把数据集U1的样本作为训练集，把数据集U2的样本作为测试集；将训练集的X
ori
和X
RR
输入到初始化后的Model1中，将X
RR
输入到初始化后的Model2中，以最小代价函数为目标，用Adam优化器进行训练，直到模型收敛，生成所述两个神经网络的参数并保存模型为PB文件。
[0012]4)对测试集样本进行自动识别：
[0013]将划分好的测试集X
ori
和X
RR
输入到已保存的所述神经网络Model1中，运行所述深度神经网络，即可获得测试集样本对应的2维预测值向量输出y1，其中y1的第一个维度代表预测房颤的概率值，第二个维度代表预测非房颤的概率值。将划分好的测试集X
RR
输入到已保存的所述神经网络Model2中，运行所述深度神经网络，即可获得测试集样本对应的2维预测值向量输出y2，其中y2的第一个维度代表预测房颤的概率值，第二个维度代表预测非房颤的概率值。
[0014]5)模型融合与评估：
[0015]将y1加上y2的结果记为y
t
，若y
t
的第一个维度的值大于第二维度的值，则最后的融合结果为房颤，否则为非房颤。将最后的融合结果与测试集样本的标签进行对比，来评估模型的精度和召回率。
[0016]作为优选：所述四个串联的卷积层单元中的第一个卷积层单元的卷积核数为16个，卷积核大小为16，卷积步长为2；第二个卷积层单元的卷积核数为32个，卷积核大小为8，卷积步长为1；第三个卷积层单元的卷积核数为64个，卷积核大小为4，卷积步长为1；第四个卷积层单元的卷积核数为128个，卷积核大小为2，卷积步长为1。其中每个卷积层单元后的激励单元为relu函数，池化层单元的池化核大小为2，池化步长为1。
[0017]作为优选：所述自注意力层单元内部有3个转换矩阵W
q
、W
k
和W
v
，它们的维度都为456*456。第二个输入通道由四个串联的卷积层单元组成，前两个卷积层单元的卷积核数为64个，卷积核大小为5，卷积步长为1。后两个卷积层单元的卷积核数为128个，卷积核大小为5，卷积步长为1。在每一路输入通道的输出端有一个Averagepool层，将每一路输入通道Averagepool层的特征图沿深度方向合并，记为合并层，在合并层之后，串联一个全连接层，全连接层的神经元个数为64，最后通过softmax层得到Model1的输出结果。
[0018]作为优选：所述Model2只有一个输入通道，先串联三个残差卷积层单元，每个残差卷积层单元共有2个卷积层，卷积层的激励单元为relu函数。其中第一个残差卷积层单元的卷积核数为32个，卷积核大小为3，第二个残差卷积层单元的卷积核数为64个，卷积核大小为3，第三个残差卷积层单元的卷积核数为128个，卷积核大小为3。接着串联一个Averagepool层，然后串联一个全连接层，全连接层的神经元个数为64，最后通过softmax层得到Model2的输出结果。
[0019]本专利技术能够准确快速的分析心电信号是否出现房颤症状然后根据每个模型的输出置信度，进行结果融合，并最终给出房颤的诊断结果。
附图说明
[0020]图1是本专利技术的算法流程图。
具体实施方式
[0021]下面将结合附图对本专利技术作详细的介绍：如图1所示，本专利技术一种基于融合多个深度学习模型的房颤识别方法，能够准确快速的分析心电信号是否出现房颤症状，所述方法包括：
[0022]1)数据采集和预处理：
[0023](1)输入心电数据，对所述的心电数据进行滤波处理，然后对滤波后的心电数据进行R波定位检测，识别出心电数据中的R波位置，计算出所有的RR间期，同时限制心电信号电压值的绝对值在一定范围内，由此防止个别大数值带来的不好影响；
[0024](2)将心电数据按照30秒钟长度切片，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于融合多个深度学习模型的房颤识别方法，能够准确快速的分析心电信号是否出现房颤症状，其特征在于：所述方法包括：1)数据采集和预处理：(1)输入心电数据，对所述的心电数据进行滤波处理，然后对滤波后的心电数据进行R波定位检测，识别出心电数据中的R波位置，计算出所有的RR间期，同时限制心电信号电压值的绝对值在一定范围内，由此防止个别大数值带来的不好影响；(2)将心电数据按照30秒钟长度切片，每一份数据为一个长度为L的一维向量，记为X
ori
；同时将这30秒内数据对应的RR间期数组，记为X
RR
，其中X
RR
的长度为100，若这30秒内数据对应的RR间期个数不足100，则补零，若这30秒内数据对应的RR间期个数超过100，则只取前100个RR间期；2)搭建神经网络模型：本专利包括两个神经网络模型，其中Model1包含两个依次并联的输入通道，第一个输入通道由四个串联的卷积层单元和一个自注意力层单元组成，第二个输入通道由四个串联的卷积层单元组成，在每一路输入通道的输出端有一个Averagepool层，将每一路输入通道Averagepool层的特征图沿深度方向合并，记为合并层，在合并层之后，串联一个全连接层，最后通过softmax层得到Model1的输出结果，其中Model2只有一个输入通道，先串联三个残差卷积层单元和一个Averagepool层，再串联一个全连接层，最后通过softmax层得到Model2的输出结果，所述卷积层单元使用的是一维卷积；3)训练神经网络模型：初始化所述两个神经网络模型参数后，将所有30秒心电信号数据集U划分为数据集U1和数据集U2，把数据集U1的样本作为训练集，把数据集U2的样本作为测试集；将训练集的x
ori
和X
RR
输入到初始化后的Model1中，将X
RR
输入到初始化后的Model2中，以最小代价函数为目标，用Adam优化器进行训练，直到模型收敛，生成所述两个神经网络的参数并保存模型为PB文件；4)对测试集样本进行自动识别：将划分好的测试集X
ori
和X
RR
输入到已保存的所述神经网络Model1中，运行所述深度神经网络，即可获得测试集样本对应的2维预测值向量输出y1，其中y1的第一个维度代表预测房颤的概率值，第二个维度代表预测非房颤的概率值，将划分好的测试集X<...

【专利技术属性】
技术研发人员：苏禹磨，符灵建，
申请(专利权)人：浙江好络维医疗技术有限公司，
类型：发明
国别省市：