本发明专利技术公开了一种基于人工规则增强神经网络的心电图诊断方法，包括：获得ECG信号训练样本；构建包括深度学习模块和规则推理模块的训练模型，将ECG信号训练样本输入至深度学习模块得到第一异常预测概率向量，将ECG信号训练样本输入至规则推理模块得到对心电诊断标签进行概率预测的第二异常预测概率向量，融合得到对心电诊断标签进行概率预测的最终异常预测概率向量；将ECG信号训练样本输入至训练模型，通过总损失函数优化训练模型参数得到多导联心电图信号诊断模型；应用时，将ECG信号输入至多导联心电图信号诊断模型得到该ECG信号的心电诊断标签的预测概率。该方法能够准确、快速的对心电信号进行诊断。快速的对心电信号进行诊断。快速的对心电信号进行诊断。
【技术实现步骤摘要】
一种基于人工规则增强神经网络的心电图诊断方法及装置
[0001]本专利技术属于医疗数据处理领域，尤其涉及一种基于人工规则增强神经网络的心电图诊断方法及装置。
技术介绍
[0002]根据中国远程心电诊断学组提供的数据，我国每年约有2.5亿人次心电图检查，3500万人次做动态心电图检查，但真正精通和从事心电图检查的只有约3.6万人，供需严重不平衡。医疗机构尤其是下级医院及社区心电图诊断人员不能满足需求，且很多读图人员能力有限，导致心电图测量不规范，诊断不及时、不准确。
[0003]目前，心电图标注有几个比较突出的问题，包括：1.工作量大：常规标准心电图检查涉及到12或18个导联，而每个导联在标准的十秒测试时间内，都能采集6
‑
16个心拍。因此如此数量的心拍标注，需要大量的医生工作量；2.主观因素强：由于国内还没有形成完整的心电图标注规范，所以标注数据有很强主观性，各医生判断不一，导致同一份心电标注也会存在不同的标注名称或者标注类别；3.缺少标注工具：由于心电图诊断采集图像较为容易，并且容易打印，故此很少有可以供医生进行数字化标记的心电图标注工具，并且已有的标注工具都较为简易，交互并不友好，很难有效利用。
[0004]目前市场上已有不少心电图标注算法，包括心电图机自带的心电标注方法。这些方法往往都是基于传统的信号识别方法，不能有效地识别心电信号。具体的识别难点包括了：1.心拍分割点难识别：患有严重疾病病人的心拍没有明确P、Q、R、S、T各点特征，会导致心拍不容易被识别； 2.波形叠加复杂：患有心脏疾病的病人往往不只一种病理表现，故存在着各类变异信号叠加的可能；3.多心拍联合诊断难：部分心律失常疾病需要联合多个心拍来诊断，需要模型对细节信息足够的识别能力的同时，也需要具有较大感受野来完成多心拍联合诊断；
[0005]基于市场上心电图标注算法定位弱、诊断困难的问题，亟需设计一种可以准确、快速进行诊断心电信号的系统，有助于医学信电领域的高校诊断，降低医生压力，同时极大便利了病患对心电诊断方面的需求。
技术实现思路
[0006]本专利技术提供一种基于人工规则增强神经网络的心电图诊断方法，该方法能够准确、快速的对心电信号进行诊断。
[0007]一种基于人工规则增强神经网络的心电图诊断方法，包括：
[0008]获得ECG信号训练样本；
[0009]构建训练模型，训练模型包括深度学习模块和规则推理模块，将ECG 信号训练样本输入至深度学习模块得到第一异常预测概率向量，规则推理模块包括分隔描述子模块和规则推理子模块，将ECG信号训练样本输入至分隔描述子模块得到PQRST数值特征，将PQRST数值特征输入至规则推理子模块，基于医学信号分析规则，得到对心电诊断标签进行概率
预测的第二异常预测概率向量，将第二异常预测概率向量进行mask机制处理得到第三异常预测概率向量，使得第三异常预测概率向量与第一异常预测概率向量长度相同，通过S形函数对第三异常预测概率向量和第一异常预测概率向量分配融合权重以得到最终异常预测概率向量；
[0010]构建总损失函数，总损失函数包括深度学习损失函数和规则推理损失函数，其中，通过最终异常预测概率向量与真实异常预测概率向量的加权交叉熵构建深度学习损失函数，通过最终异常预测概率向量与第三异常预测概率向量的加权交叉熵构建规则推理损失函数；
[0011]将ECG信号训练样本输入至训练模型，通过总损失函数优化训练模型参数得到多导联心电图信号诊断模型；
[0012]应用时，将ECG信号输入至多导联心电图信号诊断模型得到该ECG 信号的心电诊断标签的预测概率。
[0013]将ECG信号训练样本输入至深度学习模块得到第一异常预测概率向量，包括：
[0014]将ECG信号依次输入至深度学习模块的CNN网络，重塑层，最大池化层得到ECG特征向量，将年龄和性别特征与ECG特征向量相结合，将结合后的特征向量输入至全连接层得到第一异常预测概率向量。
[0015]通过CNN网络将ECG信号进行特征提取得到ECG特征值，其中CNN 网络为ResNet、ECGNet或Transformer算法。
[0016]将ECG信号训练样本输入至分隔描述子模块得到PQRST数值特征，包括：
[0017]采用带通滤波器对ECG信号进行滤波，用于去除ECG信号的毛刺和偏移，采用小波变换方法将滤波后的ECG信号进行分解和重构，以获得 ECG信号的R峰，通过R峰对ECG信号进行分割得到关键片段，并对关键片段的P波、QRS波群和T波进行一阶信息和二阶信息处理得到PQRST 数值特征。
[0018]基于心电图诊断标准构建医学信号分析规则，通过PQRST数值特征基于医学信号分析规则得到第二异常预测概率向量，其中，医学信号分析规则为PQRST数值特征与心电诊断标签的对应关系。
[0019]将第二异常预测概率向量进行mask机制处理得到第三异常预测概率向量，包括：
[0020]通过mask机制将通过规则推理子模块判断为未出现的心电诊断标签的概率用0表示，将未出现的心电诊断标签概率添加到第二异常预测概率向量得到第三异常预测概率向量，使得第三异常预测概率向量与第一异常预测概率向量长度相同。
[0021]通过S形函数对第三异常预测概率向量和第一异常预测概率向量分配融合权重以得到最终异常预测概率向量为：
[0022][0023][0024]h
DL
＝[h1，h2…
h
N
][0025]l
RULE
＝[l1，l2…
l
N
][0026]其中，i为心电诊断标签类别的索引，为心电诊断标签类别对应的mask值，其中，如果第i个心电诊断标签类别存在异常预测概率则 m
i
＝1，否则，m
i
＝0，h
DL
为第一异常预测概率向量，l
RULE
为第三异常预测概率向量，N为心电诊断标签总数，S(ω)为融合权重向量ω的S型函数，ω、l
RULE
和h
DL
都具有相同的数量N，表示反转mask向量中的每个元素，“·”表示元素相乘。
[0027]总损失函数为：
[0028][0029]其中，L(
·
)为加权二元交叉熵，y为真实异常预测概率向量，为最终异常预测概率向量，l
RULE
为第三异常预测概率向量，λ为超参数。
[0030]一种基于人工规则增强神经网络的心电图诊断装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，计算机存储器中采用权利要求1～9任一项所述的多导联心电图信号诊断模型；
[0031]计算机处理器执行所述计算机程序时实现以下步骤：将ECG信号输入至多导联心电图信号诊断模型得到该ECG信号的心电诊断标签的预测概率。
[0032]本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于人工规则增强神经网络的心电图诊断方法，其特征在于，包括：获得ECG信号训练样本；构建训练模型，训练模型包括深度学习模块和规则推理模块，将ECG信号训练样本输入至深度学习模块得到第一异常预测概率向量，规则推理模块包括分隔描述子模块和规则推理子模块，将ECG信号训练样本输入至分隔描述子模块得到PQRST数值特征，将PQRST数值特征输入至规则推理子模块，基于医学信号分析规则，得到对心电诊断标签进行概率预测的第二异常预测概率向量，将第二异常预测概率向量进行mask机制处理得到第三异常预测概率向量，使得第三异常预测概率向量与第一异常预测概率向量长度相同，通过S形函数对第三异常预测概率向量和第一异常预测概率向量分配融合权重以得到最终异常预测概率向量；构建总损失函数，总损失函数包括深度学习损失函数和规则推理损失函数，其中，通过最终异常预测概率向量与真实异常预测概率向量的加权交叉熵构建深度学习损失函数，通过最终异常预测概率向量与第三异常预测概率向量的加权交叉熵构建规则推理损失函数；将ECG信号训练样本输入至训练模型，通过总损失函数优化训练模型参数得到多导联心电图信号诊断模型；应用时，将ECG信号输入至多导联心电图信号诊断模型得到该ECG信号的心电诊断标签的预测概率。2.根据权利要求1所述的基于人工规则增强神经网络的心电图诊断方法，其特征在于，将ECG信号训练样本输入至深度学习模块得到第一异常预测概率向量，包括：将ECG信号依次输入至深度学习模块的CNN网络，重塑层，最大池化层得到ECG特征向量，将年龄和性别特征与ECG特征向量相结合，将结合后的特征向量输入至全连接层得到第一异常预测概率向量。3.根据权利要求2所述的基于人工规则增强神经网络的心电图诊断方法，其特征在于，通过CNN网络将ECG信号进行特征提取得到ECG特征值，其中CNN网络为ResNet、ECGNet或Transformer算法。4.根据权利要求1所述的基于人工规则增强神经网络的心电图诊断方法，其特征在于，将ECG信号训练样本输入至分隔描述子模块得到PQRST数值特征，包括：采用带通滤波器对ECG信号进行滤波，用于去除ECG信号的毛刺和偏移，采用小波变换方法将滤波后的ECG信号进行分解和重构，以获得ECG信号的R峰，通过R峰对ECG信号进行分割得到关键片段，并对关键片段的P波、QRS波群和T波进行一阶信息和二阶信息处理得到PQRST数值特征。5.根据权利要求1所述的基于人工规则增强神经网络的心电图诊断方法，其特...
【专利技术属性】
技术研发人员：吴健，陈潇俊，应豪超，姜晓红，徐红霞，陈婷婷，
申请(专利权)人：海宁市产业技术研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。