基于集成学习与二级分层网络的十二导联心拍分类方法技术

本发明专利技术涉及一种基于集成学习与二级分层网络的十二导联心拍分类方法。采用十二导联心电数据作为输入，建立基于卷积神经网络和长短时记忆网络的多输入心拍分类集成模型，实现五大类心律失常智能化分类识别，模型中采用集成学习方法与二级分层网络，组合不同个体分类器搭建集成学习模型框架，解决不均衡数据集的分类效果不佳的问题，从而有效提高心律失常分类的整体性能指标，有望缓解医护人员繁重的判读工作压力，为智慧医疗领域中心电的智能判读研究提供新思路。究提供新思路。究提供新思路。

【技术实现步骤摘要】
基于集成学习与二级分层网络的十二导联心拍分类方法


[0001]本专利技术属于机器学习、深度学习
，具体涉及一种基于集成学习与二级分层网络的十二导联心拍分类方法。

技术介绍

[0002]心血管疾病(Cardiovascular Diseases,CVD)长时间以来都是全世界范围内造成重大疾病负担的因素之一。中国心血管疾病的患病人数逐年增加，患病率持续性上升，造成国民沉重的医疗负担。心电图是一种非侵入式的检测心脏健康的工具，其中包含的心电信号记录了心脏的电生理活动以及人类心脏中重要的病理信息，对于心血管疾病的分类研究意义重大。传统心电图包含12导联数据，包括6个肢体导联(Ⅰ、Ⅱ、Ⅲ、aVR、aVL、aVF)和6个胸导联(V1
‑
V6)，不同导联数据呈现出不同的波形特征，尤其是对于一些较难分辨的类别，需要观测不同导联的心电图表现进行综合判断。因此临床心电图的判读上，常常采用多导联数据配合进行心电判读工作。但是随着心血管疾病患病人数的日益增长，医生所面临的心电筛查工作愈加繁重，仅凭医生以人工筛查的方式分析心电图无法满足当前的医疗需求。因此，需要加快推进心电监护方面的智能化研究及应用。

技术实现思路

[0003]本专利技术的目的在于提供一种基于集成学习与二级分层网络的十二导联心拍分类方法，实现五大类心律失常智能化分类识别，有助于辅助医生的心电判读工作，建立更加完善的心电监护体系，加快推进心电监护方面的智能化研究及应用。
[0004]为实现上述目的，本专利技术的技术方案是：一种基于集成学习与二级分层网络的十二导联心拍分类方法，包括以下步骤：
[0005]步骤S1、对十二导联心电数据进行预处理；
[0006]步骤S2、对步骤S1预处理得到的心电数据进行心拍截取与分类；
[0007]步骤S3、提出一种二级分层网络，第一级网络输出正常类心拍与异常类心拍，第二级网络输出具体的相应异常类心拍分类；
[0008]步骤S4、重复步骤S3的操作，完成十二导联数据训练；
[0009]步骤S5、基于集成学习思想，将步骤S4中不同导联通道的网络输出结果进行融合；
[0010]步骤S6、将第一级网络和第二级网络的输出结果进行整合，最终得到心拍五分类结果。
[0011]在本专利技术一实施例中，步骤S1具体包括以下步骤：
[0012]步骤S11、对于输入的十二导联心电数据，采用离散小波变换及Mallat算法对心电含噪信号进行多级分解，得到多层不同频段的心电分解信号；
[0013]步骤S12、将心电采集过程中产生的高频噪声信号与基线漂移信号对应的频段滤除；
[0014]步骤S13、将滤除噪声后的多层分解信号进行重构得到滤波后的心电数据。
[0015]在本专利技术一实施例中，步骤S2具体包括以下步骤：
[0016]步骤S21、采用自适应滑动窗口算法定位R波的位置；
[0017]步骤S22、以R波处的采样点作为原点，分别向左侧和右侧截取100和150个采样点，得到一个采样点为250个点即约0.7s的完整心拍；
[0018]步骤S23、根据AAMI标准，将心律失常心拍分为五个大类，分别是N类即正常或束支传导阻滞心拍，S类即室上性异常心拍，V类即心室异常心拍，F类即融合心拍，Q类即未能分类的心拍；
[0019]步骤S24、将所有心电数据平均地分为两组数据集，一组作为训练集，另一组作为测试集，两组数据集之间严格独立。
[0020]在本专利技术一实施例中，步骤S3具体包括以下步骤：
[0021]步骤S31、第一级网络被设计用于心拍的正异常分类，因此选择1
‑
D CNN用于实现初步的二分类工作；
[0022]步骤S32、对于第一级网络，将切割好的心拍数据输入到卷积层中，卷积层负责对输入向量的特征进行提取，激活层负责对网络进行非线性变化，采用的是ReLU激活函数，通过两次卷积和激活的操作后，输出的特征向量先输入到最大池化层进行降采样的操作，再输入到Dropout层中进行随机的网络节点失活；在经过5次上述操作后，将特征向量输入到全连接层中，最后对结果进行输出得到N类和其他类别的标签输出；
[0023]步骤S33、第二级网络被设计用于进行除N类以外四个心拍类别的分类输出，因此需要改进基础的1
‑
D CNN用于多分类工作，即采用1
‑
D CNN和LSTM串行的网络结构，1
‑
D CNN用于提取输入数据的波形特征，LSTM用于提取输入数据的时序特征；
[0024]步骤S34、对于第二级网络，将切割好的心拍数据输入到卷积层中，在卷积层中进行调整，采用的是一层卷积层、一层激活层、一层最大池化层和Dropout层；在重复1
‑
D CNN结构4次后，将输出的特征向量输入到LSTM中，LSTM中采用的激活函数是Sigmoid函数，在LSTM之后，添加一个Flatten层，用于将多维度的输入进行一维化，使得最终连接到全连接层和Dropout层中的输入是一维向量，最终网络输出S、V、F、Q四个类别。
[0025]在本专利技术一实施例中，步骤S4具体包括以下步骤：
[0026]步骤S41、在第一级网络中，将十二导联数据作为十二个通道，分别输入1
‑
D CNN中，在通过若干个卷积层和Dropout层后，输出的特征向量通过全连接层输出为一维向量，最终十二个通道的网络分别得到十二个输出；
[0027]步骤S42、在第二级网络中，将十二导联数据作为十二个通道，分别输入1
‑
D CNN与LSTM的集成模型中，在通过若干个卷积操作后输入LSTM进行时序特征提取，之后再通过全连接层输出为一维向量，最终十二个通道的网络分别得到十二个输出。
[0028]在本专利技术一实施例中，步骤S5具体包括以下步骤：
[0029]步骤S51、基于集成学习思想，采用加权投票法对第一级网络的十二个输出结果进行融合，对十二个输出的一维向量进行加权，最后得到一个加权后的一维向量，向量内部记录有输入样本属于N类或其他类的概率，其中最大概率值对应的标签即输出的最终类别标记，从而得到N类和其他类的二分类结果；
[0030]步骤S52、同样采用加权投票法对第二级网络的十二个输出结果进行融合，对十二个输出的一维向量进行加权，最后得到一个加权后的一维向量，向量内部记录有输入样本
属于S、V、F或Q类的概率值，其中最大概率值对应的标签即输出的最终类别标记，从而得到S、V、F或Q类的四分类结果。
[0031]在本专利技术一实施例中，步骤S6具体包括以下步骤：
[0032]步骤S61、将第一级网络中输出的N类标签和第二级网络中输出的四个类别标签进行整合，最终得到N类、S类、V类、F类和Q类共五个类别的心拍分类结果；
[0033]步骤S62、将最终的集成模型在测试集上进行预测，且根据AAMI标准，规定三个指标用于评价本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于集成学习与二级分层网络的十二导联心拍分类方法，其特征在于，包括以下步骤：步骤S1、对十二导联心电数据进行预处理；步骤S2、对步骤S1预处理得到的心电数据进行心拍截取与分类；步骤S3、提出一种二级分层网络，第一级网络输出正常类心拍与异常类心拍，第二级网络输出具体的相应异常类心拍分类；步骤S4、重复步骤S3的操作，完成十二导联数据训练；步骤S5、基于集成学习思想，将步骤S4中不同导联通道的网络输出结果进行融合；步骤S6、将第一级网络和第二级网络的输出结果进行整合，最终得到心拍五分类结果。2.根据权利要求1所述的基于集成学习与二级分层网络的十二导联心拍分类方法，其特征在于，步骤S1具体包括以下步骤：步骤S11、对于输入的十二导联心电数据，采用离散小波变换及Mallat算法对心电含噪信号进行多级分解，得到多层不同频段的心电分解信号；步骤S12、将心电采集过程中产生的高频噪声信号与基线漂移信号对应的频段滤除；步骤S13、将滤除噪声后的多层分解信号进行重构得到滤波后的心电数据。3.根据权利要求1所述的基于集成学习与二级分层网络的十二导联心拍分类方法，其特征在于，步骤S2具体包括以下步骤：步骤S21、采用自适应滑动窗口算法定位R波的位置；步骤S22、以R波处的采样点作为原点，分别向左侧和右侧截取100和150 个采样点，得到一个采样点为250个点即约0.7s的完整心拍；步骤S23、根据AAMI标准，将心律失常心拍分为五个大类，分别是N类即正常或束支传导阻滞心拍，S类即室上性异常心拍，V类即心室异常心拍，F类即融合心拍，Q类即未能分类的心拍；步骤S24、将所有心电数据平均地分为两组数据集，一组作为训练集，另一组作为测试集，两组数据集之间严格独立。4.根据权利要求1所述的基于集成学习与二级分层网络的十二导联心拍分类方法，其特征在于，步骤S3具体包括以下步骤：步骤S31、第一级网络被设计用于心拍的正异常分类，因此选择1
‑
D CNN 用于实现初步的二分类工作；步骤S32、对于第一级网络，将切割好的心拍数据输入到卷积层中，卷积层负责对输入向量的特征进行提取，激活层负责对网络进行非线性变化，采用的是ReLU 激活函数，通过两次卷积和激活的操作后，输出的特征向量先输入到最大池化层进行降采样的操作，再输入到 Dropout 层中进行随机的网络节点失活；在经过 5 次上述操作后，将特征向量输入到全连接层中，最后对结果进行输出得到 N 类和其他类别的标签输出；步骤S33、第二级网络被设计用于进行除N类以外四个心拍类别的分类输出，因此需要改进基础的1
‑
D CNN用于多分类工作，即采用1
‑
D CNN和LSTM串行的网络结构，1<...

【专利技术属性】
技术研发人员：王量弘，蔡冰洁，傅颖娴，杨涛，谢朝鑫，黄宝震，郭怡君，
申请(专利权)人：福州大学，
类型：发明
国别省市：