一种十二导联心电图的分类方法及系统技术方案

本发明专利技术公开了一种十二导联心电图的分类方法及系统，所述方法包括：从待分类心电图文件中获取待分类心电信号；对所述待分类心电信号进行预处理；将预处理后的所述待分类心电信号输入完成训练的基于多阶段注意力机制的混合神经网络，得到分类结果；其中，所述混合神经网络同时采用残差网络和双向门控循环单元网络进行基准模型的搭建，并结合注意力机制在不同阶段的数据相关性进行建模。同阶段的数据相关性进行建模。同阶段的数据相关性进行建模。

【技术实现步骤摘要】
一种十二导联心电图的分类方法及系统


[0001]本申请涉及数据处理
，尤其涉及一种十二导联心电图的分类方法及系统。

技术介绍

[0002]心脏疾病的普遍性和严重性都对人民大众造成了很大的影响，由于培养一个专业的心电图诊断医生需要经过多年的学习，成本十分的高，并且由于心电图的量非常的大，长时间的人工读图也会造成心电图医生的疲劳，从而导致误诊等情况的发生。因此，计算机辅助诊断心电图应运而生。
[0003]现有计算机辅助诊断心电图一般采用各类算法进行辅助诊断，例如采用传统的机器学习方法进行分类诊断，或者采用卷积神经网络和循环神经网络进行心电图的分类诊断。
[0004]申请人在研究时发现，传统的机器学习方法需要依赖手工特征的提取，会造成特征提取不充分等问题；而采用卷积神经网络和循环神经网络进行心电图的分类，未考虑各个阶段数据形式之间的相关性，且大部分工作是针对单导联或者两个导联开展工作，适应性不高。以上因素导致现有的计算机辅助诊断心电图的精度有待提高。

技术实现思路

[0005]为了解决现有计算机辅助诊断心电图的精度问题，本专利技术提供了一种十二导联心电图的分类方法及系统，同时采用残差网络和双向门控循环单元网络进行基准模型的搭建，并结合注意力机制在不同阶段的数据之间的相关性进行建模，提高了心电图的分类识别精度。
[0006]为解决上述技术问题，本专利技术的第一方面，公开了一种十二导联心电图的分类方法，所述方法包括：
[0007]从待分类心电图文件中获取待分类心电信号；r/>[0008]对所述待分类心电信号进行预处理；
[0009]将预处理后的所述待分类心电信号输入完成训练的基于多阶段注意力机制的混合神经网络，得到分类结果；其中，所述混合神经网络同时采用残差网络和双向门控循环单元网络进行基准模型的搭建，并结合注意力机制在不同阶段的数据相关性进行建模。
[0010]优选的，所述对所述待分类心电信号进行预处理，具体包括：
[0011]对所述待分类心电信号进行长度统一；
[0012]将长度统一后的所述待分类心电信号进行标准化，以转换为标准正态分布。
[0013]优选的，所述基于多阶段注意力机制的混合神经网络的网络结构包括：依次连接的卷积层，所述残差网络，交替使用的注意力打分层和双向门控循环单元网络，批正则化层BN层，修正线性单元层，全连接层；
[0014]其中，所述卷积层前面连接数据维度变换层，所述卷积层后面依次连接所述批正
则化层BN层和所述修正线性单元层，所述修正线性单元层连接所述残差网络；
[0015]所述残差网络中包括：三个以上第一类残差模块和一个以上第二类残差模块；所述第二类残差模块连接在两个第一类残差模块之间；
[0016]所述残差网络的输出作为首个注意力打分层的输入，所述双向门控循环单元网络前面连接所述数据维度变换层，后面连接所述注意力打分层；
[0017]所述全连接层后面连接激活函数。
[0018]优选的，所述第一类残差模块包括主分支和捷径分支；
[0019]所述主分支上包含前后两个卷积层，每个卷积层后增加所述BN层和所述修正线性单元层；前一个修正线性单元层的输出作为后一个卷积层的输入；
[0020]所述捷径分支连接所述主分支的输入端和后一个BN层的输出端，用于复制前一个卷积层的输入，并与所述后一个BN层的输出相加得到总和，所述总和作为后一个修正线性单元层的输入。
[0021]优选的，所述第一类残差模块中的卷积核参数可适应性变化。
[0022]优选的，所述第二类残差模块的结构和所述第一类残差模块的结构相同；
[0023]所述第二类残差模块的捷径分支上具有卷积层；
[0024]所述第二类残差模块中的卷积核参数和所述第一类残差模块中的卷积核参数不同。
[0025]优选的，每个所述注意力打分层包含打分层和归一化层；
[0026]所述打分层中，打分函数为：score＝xWs；其中，x为上一层的输出，包含x1，x2…
x
n
…
x
N
，每个输出具有三个维度(维度1，维度2，维度3)，W表示在训练过程中的可训练参数，s表示所述注意力打分层所属阶段的查询向量，W的数据维度为(维度3，维度2)，s的数据维度为(维度2，1)；
[0027]在所述归一化层中，利用归一化函数沿着维度2对所述打分函数得出的每个打分结果沿进行归一化处理，得到打分结果的分布α
n
，α
n
＝其中，N表示维度2的大小，j表示维度2的每个计数，x
j
表示维度2对应的打分结果；
[0028]利用公式对打分结果的分布α
n
进行加权处理，作为所述注意力打分层的输出，其中，output表示注意力打分层的输出，x
n
＝x1，x2…
x
N
，α
n
＝α1，α2…
α
N
。
[0029]优选的，所述混合神经网络按照下述方式训练得到：
[0030]获得心电图数据集；
[0031]将所述心电图数据集进行预处理之后输入所述混合神经网络，结合反向传播算法对所述混合神经网络进行训练，直到满足精度要求为止。
[0032]本专利技术的第二方面，公开了一种十二导联心电图的分类系统，包括：
[0033]获取模块，用于从待分类心电图文件中获取待分类心电信号；
[0034]预处理模块，用于对所述待分类心电信号进行预处理；
[0035]分类模块，用于将预处理后的所述待分类心电信号输入完成训练的基于多阶段注
意力机制的混合神经网络，得到分类结果；其中，所述混合神经网络同时采用残差网络和双向门控循环单元网络进行基准模型的搭建，并结合注意力机制在不同阶段的数据相关性进行建模。
[0036]本专利技术的第三方面，公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。
[0037]本专利技术的第四方面，公开了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。
[0038]通过本专利技术的一个或者多个技术方案，本专利技术具有以下有益效果或者优点：
[0039]本专利技术提供的技术方案，同时采用了残差网络的结构和双向门控循环单元网络的结构，引入了多阶段的注意力机制，提高了心电图的分类识别精度。具体来讲，该优点主要是来源于以下几个方面，一方面是残差网络中残差结构的引入，可以避免卷积神经网络加深导致的梯度消失问题，同时该部分可以有效的提取心电图的局部空间特征，另一方面是除了采用卷积神经网络以外，由于心电图本质上是一个时序数据，所以采用了双向门控循环单元网络，对心电图进行序列的建模，提取心电图的时序特征，最后还通过多阶段的注意力机制，对心拍，节律以及本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种十二导联心电图的分类方法，其特征在于，所述方法包括：从待分类心电图文件中获取待分类心电信号；对所述待分类心电信号进行预处理；将预处理后的所述待分类心电信号输入完成训练的基于多阶段注意力机制的混合神经网络，得到分类结果；其中，所述混合神经网络同时采用残差网络和双向门控循环单元网络进行基准模型的搭建，并结合注意力机制在不同阶段的数据相关性进行建模。2.如权利要求1所述的方法，其特征在于，所述对所述待分类心电信号进行预处理，具体包括：对所述待分类心电信号进行长度统一；将长度统一后的所述待分类心电信号进行标准化，以转换为标准正态分布。3.如权利要求1所述的方法，其特征在于，所述基于多阶段注意力机制的混合神经网络的网络结构包括：依次连接的卷积层，所述残差网络，交替使用的注意力打分层和双向门控循环单元网络，批正则化层BN层，修正线性单元层，全连接层；其中，所述卷积层前面连接数据维度变换层，所述卷积层后面依次连接所述批正则化层BN层和所述修正线性单元层，所述修正线性单元层连接所述残差网络；所述残差网络中包括：三个以上第一类残差模块和一个以上第二类残差模块；所述第二类残差模块连接在两个第一类残差模块之间；所述残差网络的输出作为首个注意力打分层的输入，所述双向门控循环单元网络前面连接所述数据维度变换层，后面连接所述注意力打分层；所述全连接层后面连接激活函数。4.如权利要求3所述的方法，其特征在于，所述第一类残差模块包括主分支和捷径分支；所述主分支上包含前后两个卷积层，每个卷积层后增加所述BN层和所述修正线性单元层；前一个修正线性单元层的输出作为后一个卷积层的输入；所述捷径分支连接所述主分支的输入端和后一个BN层的输出端，用于复制前一个卷积层的输入，并与所述后一个BN层的输出相加得到总和，所述总和作为后一个修正线性单元层的输入。5.如权利要求4所述的方法，其特征在于，所述第一类残差模块中的卷积核参数可适应性变化。6.如权利要求4所述的方法，其特征在于，所述第二类残差模块的结构和所述第一类残差模块的结构相同；所述第二类残差模块的捷径分支上具有卷积层；所述第二类残差模块中的卷积核参数和所述第一类残差模块中的卷积核参数不同。7.如权利要求3所述的方法，其特征在于，每个所述注意力打分层包含打分层和归一化层；所述打分层中，打分函数为...

【专利技术属性】
技术研发人员：尚德龙，谢磷海，乔树山，周玉梅，
申请(专利权)人：中科南京智能技术研究院，
类型：发明
国别省市：