心電圖分類方法及系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種心電圖分類方法及系統(tǒng)。
【背景技術(shù)】
[0002] 心電圖是記錄人體心臟電活動的可視時間序列，已經(jīng)在臨床上廣泛用于心臟相關(guān) 疾病檢查，并且形成了比較完善的心電圖判斷標(biāo)準(zhǔn)。近幾年，由于遠(yuǎn)程監(jiān)護(hù)的興起，心電圖 分析正在向院外、亞健康人群和長時間監(jiān)護(hù)發(fā)展，這使得醫(yī)生工作量大增，也使得對自動化 診斷的需求越來越迫切。
[0003] 用于臨床診斷的心電圖一般是12導(dǎo)聯(lián)，每個導(dǎo)聯(lián)通常采集IOs的心電圖記錄數(shù) 據(jù)，包含12~18次搏動?，F(xiàn)有的心電圖分類方法主要針對MIT-BIH兩導(dǎo)聯(lián)的心電數(shù)據(jù)(不 符合臨床診斷要求);需要提取R波以對心電圖記錄進(jìn)行分割，從而獲得單個心拍；還需要準(zhǔn) 確提取各種波形幅值、形態(tài)等關(guān)鍵特征。
[0004] 真實(shí)的臨床數(shù)據(jù)非常復(fù)雜，如噪聲干擾、QRS波群不明顯、導(dǎo)聯(lián)脫落都是極其常見 的，再加上不同人的生理差異還會導(dǎo)致心電數(shù)據(jù)的多樣性?，F(xiàn)有的特征提取方法很難準(zhǔn)確 分類，即使是目前研究最成熟的R波提取方法，用臨床實(shí)際數(shù)據(jù)進(jìn)行測試，準(zhǔn)確率還是會有 所下降；至于P波、T波等提取方法在MIT-BIH上的準(zhǔn)確率都很低，更不可能用于臨床應(yīng)用。

【發(fā)明內(nèi)容】

[0005] 有鑒于此，有必要提供一種心電圖分類方法及系統(tǒng)。
[0006] 本發(fā)明提供一種心電圖分類方法，該方法包括如下步驟：a.對原始心電圖波形進(jìn) 行濾波及下采樣；b.對濾波及下采樣后的心電數(shù)據(jù)進(jìn)行平移起始點(diǎn)操作；c.采用導(dǎo)聯(lián)卷積 神經(jīng)網(wǎng)絡(luò)對所述心電數(shù)據(jù)進(jìn)行識別與分類。
[0007] 其中，所述b步驟與所述c步驟之間包括：在訓(xùn)練階段對平移起始點(diǎn)后的心電數(shù)據(jù) 進(jìn)行加噪處理的步驟。
[0008] 所述步驟a僅保留II、III、Vl、V2、V3、V4、V5、V68個基本導(dǎo)聯(lián)的心電數(shù)據(jù)。
[0009] 所述的加噪處理為對所述心電數(shù)據(jù)疊加包含低頻噪聲、高頻噪聲及白噪聲的隨機(jī) 噪聲。
[0010] 所述的導(dǎo)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)包括：導(dǎo)聯(lián)、用于匯總所有導(dǎo)聯(lián)的信息的全連接 層、用于進(jìn)行識別與分類的SLR層，其中，每個所述導(dǎo)聯(lián)包括三個不同的卷積單元Ai、Bi、Ci (I<i< 8)，每個卷積單元包括多個卷積層和取樣層。
[0011] 本發(fā)明還提供一種心電圖分類系統(tǒng)，包括相互電性連接的預(yù)處理模塊、平移模塊 及分類模塊，其中：所述預(yù)處理模塊用于對原始心電圖波形進(jìn)行濾波及下采樣；所述平移 模塊用于對濾波及下采樣后的心電數(shù)據(jù)進(jìn)行平移起始點(diǎn)操作；所述分類模塊用于通過導(dǎo)聯(lián) 卷積神經(jīng)網(wǎng)絡(luò)對所述心電數(shù)據(jù)進(jìn)行識別與分類。
[0012] 其中，該系統(tǒng)還包括加噪模塊，用于在訓(xùn)練階段對平移起始點(diǎn)后的心電數(shù)據(jù)進(jìn)行 加噪處理。
[0013] 所述預(yù)處理模塊僅保留II、III、VI、V2、V3、V4、V5、V68個基本導(dǎo)聯(lián)的心電數(shù)據(jù)。
[0014] 所述的加噪處理為對所述心電數(shù)據(jù)疊加包含低頻噪聲、高頻噪聲及白噪聲的隨機(jī) 噪聲。
[0015] 所述的導(dǎo)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)包括：導(dǎo)聯(lián)、用于匯總所有導(dǎo)聯(lián)的信息的全連接 層、用于進(jìn)行識別與分類的SLR層，其中，每個所述導(dǎo)聯(lián)包括三個不同的卷積單元Ai、Bi、Ci (I<i< 8)，每個卷積單元包括多個卷積層和取樣層。
[0016] 本發(fā)明心電圖分類方法及系統(tǒng)，能夠?qū)崿F(xiàn)心電圖的自動分類。本發(fā)明提高了分類 的準(zhǔn)確率：通過真實(shí)臨床環(huán)境(沒經(jīng)過任何挑選，部分導(dǎo)聯(lián)脫落，QRS波群不明顯均存在的 情況）的測試，準(zhǔn)確率為83. 66% ;此外，本發(fā)明省去了特征提取過程：一般來說都是先提取 一些關(guān)鍵特征，包括醫(yī)學(xué)特征和數(shù)理特征，然后基于特征對心電圖進(jìn)行識別與分類，而本發(fā) 明不需要提取任何特征，包括R波，從而減少中間環(huán)節(jié)對最終分類性能的影響。
【附圖說明】
[0017] 圖1為本發(fā)明心電圖分類方法的流程圖；
[0018] 圖2為本發(fā)明實(shí)施例正弦波散點(diǎn)圖；
[0019] 圖3為本發(fā)明心電圖分類系統(tǒng)的硬件架構(gòu)圖。
【具體實(shí)施方式】
[0020] 下面結(jié)合附圖及具體實(shí)施例對本發(fā)明作進(jìn)一步詳細(xì)的說明。
[0021] 參閱圖1所示，是本發(fā)明心電圖分類方法較佳實(shí)施例的作業(yè)流程圖。
[0022] 步驟S401，對原始心電圖波形進(jìn)行濾波及下采樣。具體而言，首先進(jìn)行濾波，并下 采樣為feqHz，接著跳過開始skipN個點(diǎn)，取中間連續(xù)Nl個點(diǎn)的數(shù)據(jù)作為輸入數(shù)據(jù)，且僅 保留8個基本導(dǎo)聯(lián)的心電數(shù)據(jù)，即II、III、V1、V2、V3、V4、V5、V6導(dǎo)聯(lián)。在本實(shí)施例中，feq 取 200,skipN取 25,NI取 1900。
[0023] 步驟S402，對濾波及下采樣后的心電數(shù)據(jù)進(jìn)行平移起始點(diǎn)操作。具體而言，在維數(shù) 為8XN1的心電數(shù)據(jù)中選取起始點(diǎn)位置，取值區(qū)間為[1，offset]。在訓(xùn)練階段，隨機(jī)選取 起始點(diǎn)，但必須保證每個導(dǎo)聯(lián)的起始點(diǎn)相同；而在測試階段，起始點(diǎn)均為1，然后從起始點(diǎn) 開始，選取連續(xù)N2=Nl_offset個點(diǎn)作為步驟S404的輸入數(shù)據(jù)。在本實(shí)施例中，offset取 200,則N2 為 1700。
[0024] 步驟S403,在訓(xùn)練階段對平移起始點(diǎn)后的心電數(shù)據(jù)進(jìn)行加噪處理，在測試以及實(shí) 際分類時，則跳過本步驟。具體步驟如下：
[0025] 訓(xùn)練階段，將維數(shù)為8XN2的心電數(shù)據(jù)進(jìn)行加噪處理，對所述心電數(shù)據(jù)疊加隨機(jī) 噪聲。所述疊加的隨機(jī)噪聲包含幅度為〇~Al的0~HHz(本實(shí)施例中Al為0.lmV，H 為0. 2)低頻噪聲，幅度為0~A2的f2~f3Hz(本實(shí)施例中A2為0. 15mV，f2為45,f3為 90)高頻噪聲以及幅度為0~A3 (本實(shí)施例中A3為0.ImV)的白噪聲。
[0026] 步驟S404,導(dǎo)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)（LeadConvolutionalNeuralNetwork，LCNN)對所 述心電數(shù)據(jù)進(jìn)行識別與分類。
[0027] 具體而言，由LCNN進(jìn)行維數(shù)為8XN2的心電數(shù)據(jù)識別與分類。LCNN的具體結(jié)構(gòu) (請參閱圖2)為：每個導(dǎo)聯(lián)均包括三個不同的卷積單元Ai、Bi、Ci(I<i< 8)，不同導(dǎo) 聯(lián)的卷積單元互不相干，共有24個卷積單元；每個卷積單元包括多個卷積層和取樣層；不 同導(dǎo)聯(lián)的三個卷積核結(jié)構(gòu)（[F1，1，1，C1]，[F2，F(xiàn)1，1，C2]，[F3，F(xiàn)2, 1，C3])、三個取樣核結(jié)構(gòu) ([1，M1]，[1，M2]，[1，M3])、三個特征面數(shù)（F1，F(xiàn)2，F(xiàn)3)可相同，也可不同；最后由全連接層 匯總所有導(dǎo)聯(lián)的信息，交由SLR層進(jìn)行識別與分類。所述SLR層是多層感知器邏輯回歸層 (LR層）的特例，僅限于二分類問題；對于多分類問題，可采用LR層。本實(shí)施例為正異常分 類，采用SLR層。圖2中ID-Cov表示1維卷積計算。
[0028]LCNN具體計算過程為：假設(shè)輸入樣本為X= [xl，x2,…，x8]，其中xi(1彡i彡8)為 第i通道的數(shù)據(jù)，則：
[0029]
[0030] 其中，gD是全連接層計算函數(shù)，&是51^層