一种基于知识编码的心电图多标签分类方法及相关装置制造方法及图纸

本申请实施例公开了一种基于知识编码的心电图多标签分类方法及相关装置

【技术实现步骤摘要】
一种基于知识编码的心电图多标签分类方法及相关装置


[0001]本申请涉及计算机科学
，具体涉及一种基于知识编码的心电图多标签分类方法及相关装置
。

技术介绍

[0002]心电图
(ECG)
是利用心电图机从体表记录心脏每一心动周期所产生的电活动变化图形，并借助计算机进行分析处理，以发现在常规体表心电图检查时不易发现的心律失常和心肌缺血等，为临床诊断
、
治疗及判断疗效提供重要的客观依据
。
[0003]在心电图多标签诊断模型的发展中，基于深度学习的方法取得了显著的成果，但是目前公开发表的现有技术中的心电图多标签诊断方法距离临床使用还存在一些不足或者某些方法上的探索上还缺乏足够的研究
。
比如，目前发表的方法主要基于完整的
10
秒的
12
导联心电图进行研发，而临床诊断中，虽然心电图机的原始采集包含
10
秒的
12
导联，但是心电图报告中，最常用的格式是3×4格式，也就是
2.5
秒的
12
导联加上一个
10
秒的
II
导联格式
。
这也是医生常用的诊断格式和医院通常的数据储存格式，因为3×4格式的信号对比完整的
10
秒
12
导联的数据量减少了很多，所以目前的方法大部分并不能向下兼容这种格式
。
另外，现有技术不仅数据上的标签过少，而且对于多标签任务来说，一个结果同时存在多个分类，很难从一张热图中区分每个分类所对应的重点区域，心电图多标签分类效果比较差
。

技术实现思路

[0004]鉴于上述问题，提出了本说明书以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于知识编码的心电图多标签分类方法及相关装置
。
[0005]本专利技术公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得
。
[0006]第一方面，本申请实施例提供了一种基于知识编码的心电图多标签分类方法，包括：对采集的多导联心电信号进行预处理，得到预处理后的多导联心电信号；构建知识编码，知识编码包括导联知识编码
、
时间序列知识编码和类别知识编码；基于信号和知识嵌入模块，将预处理后的多导联心电信号
、
导联知识编码
、
时间序列知识编码合并为信号数据块；基于由多头自注意力层组成的编码器，对信号数据块进行特征学习，得到信号特征块；基于知识学习模块，根据类别知识编码对信号特征块进行分类识别，得到多导联心电信号对应的标签类型
。
[0007]在一些实施例中，对采集的多导联心电信号进行预处理，得到预处理后的多导联心电信号，包括：基于预设采样频率采集多导联心电信号，多导联心电信号包括第一信号矩阵以及第二信号矩阵；将第二信号矩阵转化为与第一信号矩阵相同的维度，得到维度转化后的第二信号矩阵；将维度转化后的第二信号矩阵与第一信号矩阵进行合并，得到合并后的多导联心电信号；基于模型预设特征维度，将合并后的多导联心电信号线性变换为序列块，序列块为三维矩阵；对序列块进行维度转换，得到维度转换后的二维矩阵，维度转换后
的二维矩阵为预处理后的多导联心电信号
。
[0008]在一些实施例中，构建知识编码，包括：根据模型预设特征维度以及导联数量构建导联知识编码，导联知识编码为
L
k
×
D
的参数矩阵，
L
k
表示导联数量，
D
表示模型预设特征维度；根据模型预设特征维度
、
时间周期为
t
的信号长度以及序列块中每个块的长度构建时间序列知识编码，时间序列知识编码为的参数矩阵，
L
t
表示时间周期为
t
的信号长度，
L
npatch
表示序列块中每个块的长度；根据模型预设特征维度以及标签类别数量构建类别知识编码，类别知识编码为
L
type
×
D
的参数矩阵，
L
type
表示标签类别数量
。
[0009]在一些实施例中，构建知识编码，还包括采用两阶段训练方法对知识编码进行训练；将信号和知识嵌入模块和编码器作为第一阶段模型，在两阶段训练方法中的第一阶段，利用第一阶段模型对导联知识编码以及时间序列知识编码进行训练，包括：获取训练多导联心电信号，训练多导联心电信号为对知识编码进行训练过程中采集到的预处理后的多导联心电信号；对导联知识编码以及时间序列知识编码进行随机初始化，得到初始化后的导联知识编码以及初始化后的时间序列知识编码；将初始化后的导联知识编码以及初始化后的时间序列知识编码与训练多导联心电信号共同输入至第一阶段模型，得到第一阶段信号特征块；将初始化后的导联知识编码和第一阶段信号特征块输入至知识学习模块，知识学习模块输出预处理后的多导联心电信号中每个信号特征块的预测时间点以及预测导联；基于训练多导联心电信号，将预测导联线性投影到对应的导联信号，得到投影导联信号；计算投影导联信号与原始导联信号之间的导联损失值；基于预处理后的多导联心电信号中每个信号特征块在时间周期为
t
的信号长度中的位置，对预测时间点进行比较，得到时间点损失值；基于导联损失值以及时间点损失值分别对初始化后的导联知识编码以及初始化后的时间序列知识编码进行调整，得到训练完成的导联知识编码以及训练完成的时间序列知识编码
。
[0010]在一些实施例中，采用两阶段训练方法对知识编码进行训练，还包括将知识学习模块作为第二阶段模型，在两阶段训练方法中的第二阶段，利用第二阶段模型对类别知识编码进行训练，包括：对类别知识编码进行初始化，得到初始化后的类别知识编码；将训练完成的导联知识编码
、
训练完成的时间序列知识编码以及训练多导联心电信号输入第一阶段模型，第一阶段模型输出训练信号特征序列块；将初始化后的类别知识编码
、
训练信号特征序列块输入知识学习模块，知识学习模块输出预测类别知识编码；将预测类别知识编码输入全连接层，全连接层输出预测类别知识编码对应的分类结果；基于分类标签，计算分类结果与分类标签之间的损失值；基于损失值对初始化后的类别知识编码进行调整，得到训练完成的类别知识编码
。
[0011]在一些实施例中，基于信号和知识嵌入模块，将预处理后的多导联心电信号
、
导联知识编码
、
时间序列知识编码合并为信号数据块，包括：将预处理后的多导联心电信号
、
导联知识编码
、
时间序列知识编码合并为包含导联和时序知识的信号编码块，包含导联和时序知识的信号编码块为三维矩阵；通过多层感知器将包含导联和时序知识的信号编码块本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于知识编码的心电图多标签分类方法，其特征在于，包括：对采集的多导联心电信号进行预处理，得到预处理后的多导联心电信号；构建知识编码，所述知识编码包括导联知识编码
、
时间序列知识编码和类别知识编码；基于信号和知识嵌入模块，将所述预处理后的多导联心电信号
、
导联知识编码
、
时间序列知识编码合并为信号数据块；基于由多头自注意力层组成的编码器，对所述信号数据块进行特征学习，得到信号特征块；基于知识学习模块，根据所述类别知识编码对所述信号特征块进行分类识别，得到所述多导联心电信号对应的标签类型
。2.
如权利要求1所述的基于知识编码的心电图多标签分类方法，其特征在于，所述对采集的多导联心电信号进行预处理，得到预处理后的多导联心电信号，包括：基于预设采样频率采集多导联心电信号，所述多导联心电信号包括第一信号矩阵以及第二信号矩阵；将所述第二信号矩阵转化为与所述第一信号矩阵相同的维度，得到维度转化后的第二信号矩阵；将所述维度转化后的第二信号矩阵与所述第一信号矩阵进行合并，得到合并后的多导联心电信号；基于模型预设特征维度，将所述合并后的多导联心电信号线性变换为序列块，所述序列块为三维矩阵；对所述序列块进行维度转换，得到维度转换后的二维矩阵，所述维度转换后的二维矩阵为预处理后的多导联心电信号
。3.
如权利要求1或2所述的基于知识编码的心电图多标签分类方法，其特征在于，所述构建知识编码，包括：根据模型预设特征维度以及导联数量构建导联知识编码，所述导联知识编码为
L
k
×
D
的参数矩阵，
L
k
表示导联数量，
D
表示模型预设特征维度；根据所述模型预设特征维度
、
时间周期为
t
的信号长度以及序列块中每个块的长度构建时间序列知识编码，所述时间序列知识编码为的参数矩阵，
L
t
表示时间周期为
t
的信号长度，
L
npatch
表示序列块中每个块的长度；根据所述模型预设特征维度以及标签类别数量构建类别知识编码，所述类别知识编码为
L
type
×
D
的参数矩阵，
L
type
表示标签类别数量
。4.
如权利要求1所述的基于知识编码的心电图多标签分类方法，其特征在于，所述构建知识编码，还包括采用两阶段训练方法对所述知识编码进行训练；将所述信号和知识嵌入模块和所述编码器作为第一阶段模型，在所述两阶段训练方法中的第一阶段，利用所述第一阶段模型对所述导联知识编码以及所述时间序列知识编码进行训练，包括：获取训练多导联心电信号，所述训练多导联心电信号为对所述知识编码进行训练过程中采集到的预处理后的多导联心电信号；对所述导联知识编码以及所述时间序列知识编码进行随机初始化，得到初始化后的导
联知识编码以及初始化后的时间序列知识编码；将所述初始化后的导联知识编码以及所述初始化后的时间序列知识编码与所述训练多导联心电信号共同输入至所述第一阶段模型，得到第一阶段信号特征块；将所述初始化后的导联知识编码和所述第一阶段信号特征块输入至所述知识学习模块，所述知识学习模块输出所述预处理后的多导联心电信号中每个信号特征块的预测时间点以及预测导联；基于所述训练多导联心电信号，将所述预测导联线性投影到对应的导联信号，得到投影导联信号；计算所述投影导联信号与原始导联信号之间的导联损失值；基于所述预处理后的多导联心电信号中每个信号特征块在时间周期为
t
的信号长度中的位置，对所述预测时间点进行比较，得到时间点损失值；基于所述导联损失值以及所述时间点损失值分别对所述初始化后的导联知识编码以及所述初始化后的时间序列知识编码进行调整，得到训练完成的导联知识编码以及训练完成的时间序列知识编码
。5.
如权利要求4所述的基于知识编码的心电图多标签分类方法，其特征在于，所述采用两阶段训练方法对所述知识编码进行训练，还包括将所述知识学习模块作为第二阶段模型，在所述两阶段训练方法中的第二阶段，利用所述第二阶段模型对所述类别知识编码进行训练，包括：对所述类别知识编码进行初始化，得到初始化后的类别知识编码；将所述训练完成的导联知识编码
、
所述训练完成的时间序列知识编码以及所述训练多导联心电信号输入所述第一阶段模型，所述第一阶段模型输出训练信号特征序列块；将所述初始化后的类别知识编码
、
所述训练信号特征序列块输入所述知识学习模块，所述知识学习模块输出预测类别知识编码；将所述预测类别知识编码输入全连接层，所述全连接层输出所述预测类别知识编码对应的分类结果；基于分类标签，计算所述分类结果与所述分类标签之间的损失值；基于所述损失值对所述初始化后的类别知识编码进行调整，得到训练完成的类别知识编码
。6.
如权利要求1所述的基于知识编码的心电图多标签分类方法，其特征在于，所述基于信号和知识嵌入模块，将所述预处理后的多导联心电信号
、
导联知识编码
、
时间序列知识编码合并为信号数据块，包括：将所述预处理后的多导联心电信号
、
导联知识编码
、
时间序列知识编码合并为包含导联和时序知识的信号编码块，所述包含导联和时序知识的信号编码块为三维矩阵；通过多层感知器将所述包含导联和时序知识的信号编码块进行特征低纬映射，得到信号数据块，所述信号数据块为特征低纬映射后的包含导联和时序知识的信号编码块，所述多层感知器包括一层全连接层
、
一个
GELU
激活函数以及一层信号块随机丢弃层
。7.
如权利要求1或6所述的基于知识编码的心电图多标签分类方法，其特征在于，所述知识学习模块包括依次连接的若干层知识学习层以及最后一层知识学习输出层，每一层知识学习层包括一层知识注意力层和一层知识自注意力层，所述最后一层知识学习输出层为
一层知识注意力层，所述知识注意力层采用知识注意力模块，所述知识自注意力层采用自注意力模块，所述多头自注意力层采用多个自注意力模块
。8.
如权利要求7所述的基于知识编码的心电图多标签分类方法，其特征在于，所述方法还包括：所述自注意力模块和所述知识注意力模块均采用相同的注意力架构，所述注意力架构包括注意力模块和多层感知器层；所述注意力架构的输出为
z
l
＝
LN(MLP(z
′
l
))+z
′
l<...

【专利技术属性】
技术研发人员：曹青，
申请(专利权)人：上海交通大学医学院附属瑞金医院，
类型：发明
国别省市：