多导联心电信号的类型识别方法、系统及辅助系统技术方案

本申请公开了一种多导联心电信号的类型识别方法、系统及辅助系统，首先通过数据采集模块获取多导联心电信号以及与其中部分多导联心电信号相关联的患者特征信息与心电信号类型标签，再依次输入数据预处理模块和数据集划分模块分别完成数据预处理和数据集划分，然后经由模型生成模块训练并存储心电自监督模型，最后当服务计算模块接收到心电信号的类型识别请求时，自动调用已训练的心电自监督模型，基于请求携带的数据获得与设定的各种心电信号类型对应的概率信息，同时可调用心电判读模块内置的心电判读模型对心电图进行判读。本申请方法及系统，能够基于更少的标签数据训练得到多导联心电信号的类型识别模型，同时提高模型识别准确性。模型识别准确性。模型识别准确性。

【技术实现步骤摘要】
多导联心电信号的类型识别方法、系统及辅助系统


[0001]本申请涉及人工智能
，特别涉及一种多导联心电信号的类型识别方法、系统及辅助系统。

技术介绍

[0002]目前，许多心血管疾病的诊断金标准以影像学检查为主，常见的有超声、CT、核磁、介入造影等，这类检查手段费用相对高昂、专业医师有限、患者等待时间长、对患者身体造成辐射或者创伤损害。因此亟需低成本、便捷、安全的检查方法以应对当前大量心血管患病人数的现状。
[0003] 相比于影像学检查，心电图 (信号) 检查具有非侵入性、操作简便、经济有效等优点。近年来深度学习在心电领域发展显著，已有许多深度学习模型可辅助完成识别心律失常等传统的心电任务，更进一步地，有研究表明深度学习能捕捉到心血管病患者心电图中人为难以识别的模式，提高心电图类型识别的准确性。但当前基于心电信号进行类型识别的方法主要采用有监督的深度学习模型。这类模型的训练需要使用大量心电信号及与多导联心电信号相关联的患者心电信号类型标签信息（例如疾病标签信息等）。一方面，大量的没有患者心电信号类型标签信息的心电信号数据被弃用了，另一方面，在许多实际场景下并没有足够的患者心电信号类型标签信息，因而也缺失了一些心电信号类型识别的模型。
[0004]当前已有许多基于深度学习的心电信号类型识别系统可以较好的完成心律失常的识别等传统的心电任务。但是，由于缺乏大量可与心电匹配的多模态标签数据，又缺少心电信号无监督学习方法，大多数机构都难以建立基于心电信号来识别成人先心病、瓣膜病、冠心病以及心肌病等心电信号类型的深度学习模型。因此，目前基于心电信号以较高精度进行类型识别的系统较少。

技术实现思路

[0005]本申请提供一种多导联心电信号的类型识别方法及类型识别系统、辅助系统，能够基于更少的标签数据训练得到类型识别模型，提高类型识别的准确性。
[0006]为实现上述目的，本申请采用如下技术方案：一种多导联心电信号的类型识别方法，包括如下步骤：数据采集，采集n个多导联心电信号，以及与所述n个多导联心电信号中的部分多导联心电信号相关联的患者特征信息与心电信号类型标签；数据预处理，基于所述n个多导联心电信号生成表示所有心电信号的多导联心电信号数据集 D1，对应样本量为n；基于所述部分多导联心电信号以及与所述部分多导联心电信号相关联的患者特征信息与心电信号类型标签，生成关联数据集D2，对应样本量为m，其中m≤n；数据集划分，将所述多导联心电信号数据集D1划分为多导联心电信号训练集
D
1,train
和多导联心电信号验证集D
1,vali
，将所述关联数据集D2划分为关联数据训练集D
2,train
,、关联数据验证集D
2,vali
、关联数据测试集D
2,test
；心电自监督模型框架构建，所述模型框架基于Transformer模块，包括切割器、双分类掩蔽器、编码器、解码器及分类器；模型预训练，对模型参数初始化，再将所述多导联心电信号训练集D
1,train
、多导联心电信号验证集D
1,vali
、关联数据训练集D
2,train
、关联数据验证集D
2,vali
输入模型框架，进行自监督学习、惩罚自监督学习，得到预训练后的心电自监督模型；模型微调，基于所述关联数据训练集D
2,train
、关联数据验证集D
2,vali
对预训练后的心电自监督模型进行微调，完成模型的训练；模型测试，基于所述关联数据测试集D
2,test
，对微调后的心电模型进行测试，评估模型效果，如果模型评估结果不符合预设要求，则调整模型参数，重复所述模型预训练以及所述模型微调，直至模型评估结果符合预设要求；在应用阶段，将采集的多导联心电信号、患者特征信息输入训练好的模型中，得到与设定的各种心电信号类型对应的概率信息。
[0007]较佳地，所述患者特征信息包括年龄、性别以及心电信号异常情况，所述心电信号类型标签代表与所述部分多导联心电信号相匹配的多模态数据是否含有某种心血管疾病的信息，所述多模态数据为针对同一患者采集的CT、超声、造影或核磁数据，所述心血管疾病包括成人先心病、瓣膜病、冠心病、心肌病、肺血管疾病中的至少之一。
[0008]较佳地，所述模型预训练包括如下步骤：a、对模型参数进行随机初始化；b、在所述多导联心电信号训练集D
1,train
、所述多导联心电信号验证集D
1,vali
上，基于所述模型的切割器、双分类掩蔽器、编码器、解码器进行自监督学习；c、在所述关联数据训练集D
2,train
、关联数据验证集D
2,vali
上，基于所述模型的切割器、双分类掩蔽器、编码器、解码器以及分类器进行惩罚自监督学习。
[0009]较佳地，所述基于所述模型的切割器、双分类掩蔽器、编码器、解码器自监督学习包括如下步骤：前向传播，将所述D
1,train
中的心电信号，依次通过切割器和双分类掩蔽器，得到自训练向量组和变换后的自估计向量组，所述自训练向量组和一个分类向量拼接后依次通过编码器和解码器，输出一组预测向量，作为所述变换后的自估计向量组的估计结果；其中所述分类向量为预设的可学习分类向量；参数更新，以反映所述预测向量与所述变换后的自估计向量组之间误差的自监督损失函数为目标函数，在D
1,train
上使用优化器更新编码器和解码器中的所有可学习参数；在验证集D
1,vali
上选择最优的第一超参数组合使得自监督损失函数与解码器中所有可学习参数总量相比最小。
[0010]较佳地，所述变换包括采样降维、元素对元素的幂指数、向量内的标准化、根据阈值分类中的至少一种，所述自监督损失函数包括l1损失、l2损失、交叉熵损失函数中的一种；所述第一超参数组合包括模型中所述解码器的Transformer子块的隐藏维度和注意力头。
[0011]较佳地，所述惩罚自监督学习包括如下步骤：前向传播，将D
2,train
中的心电信号，依次通过切割器和双分类掩蔽器，得到自训练
向量组和变换后的自估计向量组，所述自训练向量组和一个分类向量拼接后通过编码器，输出编码后的自训练向量组和编码后的分类向量，其中所述一个分类向量为预设的可学习分类向量；所述编码后的自训练向量组和所述编码后的分类向量进入分支一，所述编码后的分类向量和所述D
2,train
中的患者特征信息进入分支二；分支一，所述解码器对输入的所述编码后的自训练向量组进行处理，得到预测向量，用于估计变换后的自估计向量组；分支二，所述编码后的分类向量和所述D
2,train
中的患者特征信息输入分类器进行处理，得到心电信号类型的预测概率；参数更新，以惩罚损失函数为目标函数，在D
2,train
上使用优化器更本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多导联心电信号的类型识别方法，其特征在于，包括如下步骤：数据采集，采集n个多导联心电信号，以及与所述n个多导联心电信号中的部分多导联心电信号相关联的患者特征信息与心电信号类型标签；数据预处理，基于所述n个多导联心电信号生成表示所有心电信号的多导联心电信号数据集D1，对应样本量为n；基于所述部分多导联心电信号以及与所述部分多导联心电信号相关联的患者特征信息与心电信号类型标签，生成关联数据集D2，对应样本量为m，其中m≤n；数据集划分，将所述多导联心电信号数据集D1划分为多导联心电信号训练集 D
1,train
和多导联心电信号验证集D
1,vali
，将所述关联数据集D2划分为关联数据训练集D
2,train
、关联数据验证集D
2,vali
、关联数据测试集D
2,test
；心电自监督模型框架构建，所述模型框架基于Transformer模块，包括切割器、双分类掩蔽器、编码器、解码器及分类器；模型预训练，对模型参数初始化，再将所述多导联心电信号训练集D
1,train
、多导联心电信号验证集D
1,vali
、关联数据训练集D
2,train
、关联数据验证集D
2,vali
输入模型框架，进行自监督学习、惩罚自监督学习，得到预训练后的心电自监督模型；模型微调，基于所述关联数据训练集D
2,train
、关联数据验证集D
2,vali
对预训练后的心电自监督模型进行微调，完成模型的训练；模型测试，基于所述关联数据测试集D
2,test
，对微调后的心电模型进行测试，评估模型效果，如果模型评估结果不符合预设要求，则调整模型参数，重复所述模型预训练以及所述模型微调，直至模型评估结果符合预设要求；在应用阶段，将采集的多导联心电信号、患者特征信息输入训练好的模型中，得到与设定的各种心电信号类型对应的概率信息。2.根据权利要求1所述的方法，其特征在于，所述患者特征信息包括年龄、性别以及心电信号异常情况，所述心电信号类型标签代表与所述部分多导联心电信号相匹配的多模态数据是否含有某种心血管疾病的信息，所述多模态数据为针对同一患者采集的CT、超声、造影或核磁数据，所述心血管疾病包括成人先心病、瓣膜病、冠心病、心肌病、肺血管疾病中的至少之一。3.根据权利要求2所述的方法，其特征在于所述模型预训练包括如下步骤：a、对模型参数进行随机初始化；b、在所述多导联心电信号训练集D
1,train
、所述多导联心电信号验证集D
1,vali
上，基于所述模型的切割器、双分类掩蔽器、编码器、解码器进行自监督学习；c、在所述关联数据训练集D
2,train
、关联数据验证集D
2,vali
上，基于所述模型的切割器、双分类掩蔽器、编码器、解码器以及分类器进行惩罚自监督学习。4.根据权利要求3所述的方法，其特征在于，所述基于所述模型的切割器、双分类掩蔽器、编码器、解码器自监督学习包括如下步骤：前向传播，将所述D
1,train
中的心电信号，依次通过切割器和双分类掩蔽器，得到自训练向量组和变换后的自估计向量组，所述自训练向量组和一个分类向量拼接后依次通过编码器和解码器，输出一组预测向量，作为所述变换后的自估计向量组的估计结果；其中所述分类向量为预设的可学习分类向量；
参数更新，以反映所述预测向量与所述变换后的自估计向量组之间误差的自监督损失函数为目标函数，在D
1,train
上使用优化器更新编码器和解码器中的所有可学习参数；在验证集D
1,vali
上选择最优的第一超参数组合使得自监督损失函数与解码器中所有可学习参数总量相比最小。5.根据权利要求4所述的方法，其特征在于，所述变换包括采样降维、元素对元素的幂指数、向量内的标准化、根据阈值分类中的至少一种，所述自监督损失函数包括l1损失、l2损失、交叉熵损失函数中的一种；所述第一超参数组合包括模型中所述解码器的Transformer子块的隐藏维度和注意力头。6.根据权利要求5所述的方法，其特征在于，所述惩罚自监督学习包括如下步骤：前向传播，将D
2,train
中的心电信号，依次通过切割器和双分类掩蔽器，得到自训练向量组和变换后的自估计向量组，所述自训练向量组和一个分类向量拼接后通过编码器，输出编码后的自训练向量组和编码后的分类向量，其中所述一个分类向量为预设的可学习分类向量；所述编码后的自训练向量组和所述编码后的分类向量进入分支一，所述编码后的分类向量和所述D
2,train
中的患者特征信息进入分支二；分支一，所述解码器对输入的所述编码后的自训练向量组进行处理，得到预测向量，用于估计变换后的自估计向量组；分支二，所述编码后的分类向量和所述D
2,train
中的患者特征信息输入分类器进行处理，得到心电信号类型的预测概率；参数更新，以惩罚损失函数为目标函数，在D
2,train
上使用优化器更新编码器、解码器和分类器中所有可学习参数，所述的惩罚损失函数为关于预测向量与变换后的自估计向量组的自监督损失函数+λCrossEntropy，其中CrossEntropy代表关于心电信号类型的预测概率与心电信号类型标签的交叉熵损失，λ为超参数十；在验证集D
2,vali
上选择最优的超参数λ使得心电信号类型识别的选择度量指标最大，所述选择度量指标包括AUC、F
β
‑
score、准确率中的一种。7.根据权利要求6所述的方法，其特征在于，所述心电自监督模型包括：切割器，用于将输入的每个心电信号切割为行数为K，列数为d
patch
的互不相交的d
v
个子矩阵，并将子矩阵向量化，获得元素个数为d
v
的心电信号全向量组{x1,
…
,x
dv
}，其中d
patch
为超参数一, K为心电导联数；双分类掩蔽器，用于接收心电信号全向量组{x1,
…
,x
dv
}，从中不放回等概率随机抽取T+T
′
个向量，其中, T+T
′
≤d
v
，前T个向量构成自训练向量组，后T
′
向量构成估计向量组，T和T
′
分别为超参数三和超参数四，输出为自训练向量组以及自估计向量组，再对自估计向量组进行变换，得到变换后的自估计向量组；编码器，由顺序连接的投影层，位置嵌入层，以及L个隐藏维度为d
encoder
,注意力头为h
encoder
的 Transformer子块顺序连接而成，其中L为超参数五，d
encoder
为超参数六，h
encoder
为超参数七，在预训练阶段，编码器的输入为自训练向量组和一个分类向量，输出为编码后的自训练向量组和分类向量；微调与测试阶段，编码器的输入为心电信号全向量组和一个分类向量，输出为一组编码后的心电信号全向量组和一个分类向量，其中所述的分类向量为人工添加的可学习分类向...

【专利技术属性】
技术研发人员：赵韡，周亚，袁靖，刁晓林，霍燕妮，
申请(专利权)人：中国医学科学院阜外医院，
类型：发明
国别省市：