心律失常分类方法、装置及可读存储介质制造方法及图纸

本发明专利技术涉及一种心律失常分类方法、装置及可读介质的技术方案，包括：获取心电数据；对心电数据进行分割，得到心拍序列及其标签；将心拍序列及标签划分为训练集及测试集；对训练集及测试集的心拍序列执行马尔可夫转换场变换，得到心拍图像；将训练集中的心拍图像输入双侧分支网络模型进行训练，得到心拍分类网络模型；将测试集中的心拍图像输入心拍分类网络模型，得到心拍分类结果。本发明专利技术的有益效果为：本发明专利技术能结合马尔可夫转换场和双侧分支网络的优势，实现了高精度的心律失常心拍序列分类；能较好地对心拍序列建立二维可视化表示；能实现不平衡的心律失常心拍类别的准确分类。现不平衡的心律失常心拍类别的准确分类。现不平衡的心律失常心拍类别的准确分类。

【技术实现步骤摘要】
心律失常分类方法、装置及可读存储介质


[0001]本专利技术涉及计算机图像处理领域，具体涉及了一种心律失常分类方法、装置及可读存储介质。

技术介绍

[0002]如今，心血管疾病已然成为全球致死率最高的疾病。重视并加强对心血管疾病的预防、诊断和治疗尤为重要。临床上人工观察和分析心电图有着效率低、主观性强的问题，因此计算机辅助诊断的心电信号分析系统对心血管疾病的预防有重要作用。在医疗图像信号处理领域，深度神经网络通过良好的训练能识别出不同心律失常类别的心拍，并展示了较好的性能。
[0003]现有的技术方案存在以下缺陷：(1)心拍序列是一维的，较难输入神经网络，无法充分利用机器视觉的优势，大多数研究人员采用直接折叠一维信号为二维矩阵的方式输入神经网络，这样的方法不能完全保留心电信号的时间顺序特征和统计动态性特征；(2)机器采集的心拍数据中包含大量的噪声，迫使研究人员不得不应用复杂的去噪算法消除噪声的影响，而且去噪过程会损失心拍的细节特征；(3)不平衡心拍序列的分类对预测建模提出了挑战。在临床应用中，医生重点检查的是占比极小的心律失常类的心拍序列，这才能反应出患者的心脏活动状态。换句话说，心电辅助诊断算法的目的是正确监测出心律失常类的心拍序列。由于一些心律失常类心拍序列缺乏足够的数据，分类器对少数样本的刻画能力不足，难以有效地对不平衡类别样本进行分类。最终分类器学习到的分类边界往往也倾向于正常类，导致分类边界的偏移和分类性能的下降。

技术实现思路

[0004]本专利技术的目的在于至少解决现有技术中存在的技术问题之一，提供了一种心律失常分类方法、装置及可读存储介质，解决了现有技术的不足。
[0005]本专利技术的技术方案包括一种心律失常分类方法，该方法包括：获取心电数据；对所述心电数据进行分割，得到心拍序列及其标签；将所述心拍序列及所述标签划分为训练集及测试集；对所述训练集及所述测试集的所述心拍序列执行马尔可夫转换场变换，得到心拍图像；将所述训练集中的所述心拍图像输入双侧分支网络模型进行训练，得到心拍分类网络模型；将所述测试集中的所述心拍图像输入所述心拍分类网络模型，得到心拍分类结果。
[0006]根据所述的心律失常分类方法，其中对所述心电数据进行分割包括：获取所述心拍序列的R峰位置和对应的标签；选取R峰前128个采样点到后171个采样点作为一个心拍，作为所述双侧分支网络模型进行训练输入。
[0007]根据所述的心律失常分类方法，其中标签包括：基于AMMI标准，将心律失常分类为正常心拍、室上性异位搏动、心室异位搏动、融合搏动及未知。
[0008]根据所述的心律失常分类方法，其中将所述心拍序列及所述标签划分为训练集及
测试集包括：将所述心拍序列与对应的标签按一定规则打乱；对标签类别的非平衡数据集进行分层采样，包括在每一份数据集的子集中保持和原始数据集相同的类别比例，得到多份数据子集；将所述数据子集以9:1的比例划分为训练集与测试集。
[0009]根据所述的心律失常分类方法，其中对所述训练集及所述测试集的所述心拍序列执行马尔可夫转换场变换包括：量化心拍序列；构建心拍马尔可夫转换矩阵W，
[0010][0011]W
i,j
为第i个分位数区间中的点的下一个采样点在第j个分位数区间的概率，其中i＝1,2,3,
…
,Q,j＝j＝1,2,3,
…
,Q；
[0012]构建心拍马尔可夫转换场M，
[0013][0014]M
i,j
表示时间步i到j的转移概率，i＝1,2,3,
…
,n；j＝1,2,3,
…
,n；通过分段聚合减小心拍马尔可夫转换场的尺寸，得到心拍图像。
[0015]根据所述的心律失常分类方法，其中双侧分支网络包括两组残差网络，所述残差网络依次包括卷积层及四个残差块，每个残差块包括两个卷积层；所述双侧分支网络训练时，将与逆向取样器相连的卷积层和三个残差块的参数与和均匀取样器相连的网络参数保持一致；通过调节器将不同的权重值分配给两组残差网络学习到的特征，通过两个分类器处理后以相加方式聚合，并进行输出；其公式为其中z是聚合的预测结果，和为两个分类器的转置，β为权重值，f
c
和f
r
是两组残差网络的输出经全局平均池化后的特征向量。
[0016]根据所述的心律失常分类方法，其中该方法还包括：每个所述卷积层前使用批处理归一化；所述残差网络中设置有池化层；依次连接的四个所述残差块使用大小为3x3的卷积核，卷积核数量分别为16、32、64、64个。
[0017]本专利技术的计算方案还包括一种心律失常分类装置，其特征在于，包括存储器及处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现任一所述的方法。
[0018]本专利技术的技术方案还包括一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如任一所述的方法。
[0019]本专利技术的有益效果为：(1)本专利技术能结合马尔可夫转换场和双侧分支网络的优势，实现了高精度的心律失常心拍序列分类。马尔可夫转换场能轻松地将心拍序列转换为稀疏性很强的二维心拍图像，而双侧分支网络中的卷积模块擅长处理稀疏数据；因此本专利技术能结合马尔可夫转换场和双侧分支网络的优势，从而实现心拍序列的准确分类。(2)本专利技术能较好地对心拍序列建立二维可视化表示。马尔可夫转换场先将心拍序列的值量化然后计算时序上的转化概率，其过程保留了心拍序列的时间顺序和统计动态性；从而可以使用图形
统计来描述心拍序列，以便更好地进行可视化探索和统计分析。(3)本专利技术能实现不平衡的心律失常心拍类别的准确分类。双侧分支网络巧妙地采用了两组残差网络作为平行结构；随着训练中迭代周期的增加，调节器不断地调节两个网络的学习权重，最后聚合两个分类器的结果输出预测心拍图像的类别；上述结构侧重于对不平衡类别的学习，从而能够实现不平衡类别心拍序列的准确分类。
附图说明
[0020]下面结合附图和实施例对本专利技术进一步地说明；
[0021]图1所示为根据本专利技术实施方式的总体流程图。
[0022]图2所示为根据本专利技术实施方式的融合马尔可夫转换场和双侧分支网络的心律失常分类方法的整体流程图。
[0023]图3所示为根据本专利技术实施方式的马尔可夫转换场变换前后的五个心律失常类别的心拍序列和心拍图像。
[0024]图4所示为根据本专利技术实施方式的装置示意图。
具体实施方式
[0025]本部分将详细描述本专利技术的具体实施例，本专利技术之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本专利技术的每个技术特征和整体技术方案，但其不能理解为对本专利技术保护范围的限制。
[0026]在本专利技术的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种心律失常分类方法，其特征在于，该方法包括：获取心电数据；对所述心电数据进行分割，得到心拍序列及其标签；将所述心拍序列及所述标签划分为训练集及测试集；对所述训练集及所述测试集的所述心拍序列执行马尔可夫转换场变换，得到心拍图像；将所述训练集中的所述心拍图像输入双侧分支网络模型进行训练，得到心拍分类网络模型；将所述测试集中的所述心拍图像输入所述心拍分类网络模型，得到心拍分类结果。2.根据权利要求1所述的心律失常分类方法，其特征在于，所述对所述心电数据进行分割包括：获取所述心拍序列的R峰位置和对应的标签；选取R峰前128个采样点到后171个采样点作为一个心拍，作为所述双侧分支网络模型进行训练输入。3.根据权利要求1所述的心律失常分类方法，其特征在于，所述标签包括：基于AMMI标准，将心律失常分类为正常心拍、室上性异位搏动、心室异位搏动、融合搏动及未知。4.根据权利要求1所述的心律失常分类方法，其特征在于，所述将所述心拍序列及所述标签划分为训练集及测试集包括：将所述心拍序列与对应的标签按一定规则打乱；对标签类别的非平衡数据集进行分层采样，包括在每一份数据集的子集中保持和原始数据集相同的类别比例，得到多份数据子集；将所述数据子集以9:1的比例划分为训练集与测试集。5.根据权利要求1所述的心律失常分类方法，其特征在于，所述对所述训练集及所述测试集的所述心拍序列执行马尔可夫转换场变换包括：量化心拍序列；构建心拍马尔可夫转换矩阵W，W
i,j
为第i个分位数区间中的点的下一个采样点在第j个分位数区间的概率，其中i＝1,2,3,
…
,Q,j＝j＝1,2,3,...

【专利技术属性】
技术研发人员：司玉娟，季恒宇，郑国良，周琳，
申请(专利权)人：珠海科技学院，
类型：发明
国别省市：