一种静息十二导联心电信号处理方法及存储介质及处理器与流程

1.本发明涉及心电信号数据处理技术领域，具体涉及一种静息十二导联心电信号处理方法及存储介质及处理器。


背景技术：

2.心电信号具有非植入性和低成本的优势，因此广泛应用于临床。在临床上，最为常用的诊断方式之一是静息十二导联心电图：患者静躺在床上，医生将电极放置在患者身体上的固定位置，然后进行心电测量，将10秒质量较好的心电图进行保存，用于诊断。一般的，从10秒静息心电图中可以诊断出的疾病种类在200种以上，并且这些疾病术语之间存在一定逻辑关系，并可以相互组合，形成一个复合的结论。一个好的辅助诊断算法有益于提高医生诊断效率，并可以为医生做出提示，减少误诊、漏诊。
3.传统的基于物理模型的算法，按照临床上的逻辑进行诊断：首先提取p波，qrs波，t波等特征，然后根据这些临床特征，按照医学知识进行判断。然而，由于除了r波特征提取算法较为准确以外，其他波形特征提取算法很难准确得到。因此造成传统的方法在临床上诊断准确率很低。
4.完全基于数据驱动的方法，可以避免特征提取对工程人员医学知识的要求，并有效的链接了特征提取和分类环节。然而基于普通的卷积神经网络等算法进行分类时，难以照顾到不同疾病术语之间的内在联系，造成分类结果中存在一些逻辑错误。


技术实现要素：

5.本发明提供了一种静息十二导联心电信号处理方法及存储介质及处理器，解决了以上所述的技术问题。
6.本发明为解决上述技术问题提供了一种静息十二导联心电信号处理方法，包括：
7.s1，获取多组十二导联心电信号，每一种疾病包含多个十二导联心电信号的阴性数据及阳性数据；
8.s2，采用巴特沃兹带通滤波器对于所述十二导联心电信号的每个导联进行滤波，并将滤完波后的每一条心电信号按照导联顺序重新拼接到一起；
9.s3，将经过s2处理的第n(1<n<＝n)种疾病的阳性数据的标签标记为1，阴性数据的标签标记为0，并将数据xn和对应的标签标记yn组成n个数据集，其中数据xn包括一组阴性数据及对应的阳性数据；
10.s4，建立深度学习网络，所述深度学习网络包括多个子网络，子网络之间通过所述结论链接层链接；
11.s5，采用s3构造出的n个数据集，依次分别对子网络及之间的结论链接层参数进行训练得到训练模型，具体地，若数据集xk包含第n种疾病，则该数据集xk中第n个元素为1，否则为0；
12.s6，对待处理数据进行s2处理后输入到训练模型以得到该待处理数据的疾病关联
结果。
13.可选的，所述s1具体包括：采集至少2*n*10000条处于静息状态下目标对象的十二导联心电信号，其中n≥2，个数n指的是网络能够诊断的疾病的种类数。
14.可选的，采样频率为500hz，每条十二导联心电信号的长度为10秒。
15.可选的，所述s2具体包括：采用[0.5
‑
100]hz的巴特沃兹带通滤波器对所述十二导联心电信号的每个导联进行滤波，并将滤完波后的每一条心电信号按照导联顺序重新拼接到一起，拼接后的心电信号的数据的维度为(5000，12)。
[0016]
可选的，所述s4具体包括：所述深度学习网络包括n个子网络，第一个子网络采取六层的网络结构，其中第一层至第六层分别对应为卷积层、卷积层、池化层、卷积层、全连接层及全连接层；
[0017]
第2
‑
n个子网络采取七层的网络结构，其中第一层至第七层分别对应为卷积层、卷积层、池化层、卷积层、全连接层、全连接层及选择门。
[0018]
可选的，所述第一个子网络的第一层卷积层包含50个大小均为5的一维卷积核，激活函数选用relu函数；第二层卷积层包含60个大小均为6的一维卷积核，激活函数选用relu函数；第三层池化层采用最大池化，核的大小和步长均为2；第四层卷积层包含70个大小为3的一维卷积核，激活函数选用relu函数；第五层全连接层输出为10个神经元，激活函数为relu函数；第六层全连接层输出神经元个数为可分的主导节律的种类个数，激活函数选用sigmoid函数。
[0019]
可选的，所述第2
‑
n个子网络采取七层的网络结构的第一层卷积层包含50个大小均为5的一维卷积核，激活函数选用relu函数；第二层卷积层包含60个大小均为6的一维卷积核，激活函数选用relu函数；第三层池化层采用最大池化，核的大小和步长均为2；第四层卷积层包含70个大小为3的一维卷积核，激活函数选用relu函数；第五层全连接层输出为10个神经元，建议激活函数为relu函数；第六层全连接层输出神经元个数为1个，激活函数选用sigmoid函数；第7层为选择门，是一种特殊的神经网络，输入为两个神经元，输出为一个神经元，其计算方式为：
[0020][0021]
其中，代表第n
‑
1个子网络的结论链接层的输出，代表第n个子网络的第二个全连接层的输出；
[0022]
第n个结论链接层的输出计算公式为：
[0023][0024]
其中，是第n个结论链接层的系数，是第n个结论链接层的偏移，是第n个结论链接层的激活函数，固定采用sigmoid函数。
[0025]
可选的，所述s5具体包括：训练分为两个阶段：
[0026]
第一阶段，固定每个结论链接层的系数n＝1...n，n＝1...n，采用s3构造出的n个数据集，依次分别对子网络进行训练；其中训练算法为随机梯度下降算法、adam算法、rmsprop算法、adagrad算法、adadelta算法或adamax算法中的一种或多种；
[0027]
第二阶段，从所有数据中随机选取k条的经过s2预处理的心电信号，其中k≥n/4，按照新的方式定义标签：数据xk对应的标签yk为长度为n的向量：若xk中包含第n种疾病，则yk中第n个元素为1，否则为0；将各子网络的卷积层、池化层、全连接层系数固定为第一阶段学习得到的数值，采用数据xk对应的标签yk组成新的训练集对结论链接层参数进行训练，训练算法为随机梯度下降算法、adam算法、rmsprop算法、adagrad算法、adadelta算法或adamax算法中的一种或多种。
[0028]
本发明还提供了一种存储介质，所述存储介质用于存储静息十二导联心电信号处理方法过程中所产生的数据。
[0029]
本发明还提供了一种处理器，所述处理器用于处理静息十二导联心电信号处理方法过程中所产生的数据。
[0030]
有益效果：本发明提供了一种静息十二导联心电信号处理方法及存储介质及处理器，通过将疾病对应的十二导联心电信号均存储至结论链接层，并将经过滤波处理后的第n(1<n<＝n)种疾病的阳性数据的标签标记为1，阴性数据的标签标记为0，并将数据xn和对应的标签标记yn组成n个数据集，其中数据xn包括一组阴性数据及对应的阳性数据，建立深度学习网络，所述深度学习网络包括多个子网络，子网络之间通过所述结论链接层链接，采用n个数据集对子网络进行训练得到训练模型，将心电信号输入到训练模型以得到该待处理数据的疾病关联结果。该方案提出了具有特殊框架的深度学习网络，通过结论链接层将不同的子网络连接到一起，通过学习结论链接层的系数，揭示出疾病术语之间的内在联系，有助于提高医生对于心电信号数据的解读，大大提高了疾病关联筛查的准确性和效率。
[0031]
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
[0032]
此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0033]
图1为本发明静息十二导联心电信号处理方法及存储介质及处理器的流程示意图；
[0034]
图2为本发明静息十二导联心电信号处理方法及存储介质及处理器的深度学习网络框架原理图。
具体实施方式
[0035]
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。在下列段落中参照附图以举例方式更具体地描述本发明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
[0036]
需要说明的是，当组件被称为“固定于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组件被认为是“设置于”另一个组件，它
可以是直接设置在另一个组件上或者可能同时存在居中组件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
[0037]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0038]
如图1所示，本发明提供了一种静息十二导联心电信号处理方法，包括：
[0039]
s1，获取多组十二导联心电信号，每一种疾病包含多个十二导联心电信号的阴性数据及阳性数据；
[0040]
s2，采用巴特沃兹带通滤波器对于所述十二导联心电信号的每个导联进行滤波，并将滤完波后的每一条心电信号按照导联顺序重新拼接到一起；
[0041]
s3，将经过s2处理的第n(1<n<＝n)种疾病的阳性数据的标签标记为1，阴性数据的标签标记为0，并将数据xn和对应的标签标记yn组成n个数据集，其中数据xn包括一组阴性数据及对应的阳性数据；
[0042]
s4，建立深度学习网络，所述深度学习网络包括多个子网络，子网络之间通过所述结论链接层链接；
[0043]
s5，采用s3构造出的n个数据集，依次分别对子网络及之间的结论链接层参数进行训练得到训练模型，具体地，若数据集xk包含第n种疾病，则该数据集xk中第n个元素为1，否则为0；
[0044]
s6，对待处理数据进行s2处理后输入到训练模型以得到该待处理数据的疾病关联结果。
[0045]
具体方法原理如下：
[0046]
步骤1：
[0047]
采集至少2*n*10000条处于静息状态下病人的十二导联心电信号，其中n>＝2。个数n指的是网络能够诊断的疾病的种类数，对于每一种疾病，应该包含至少1万条该疾病的阳性数据(可能是诊断为多种疾病的数据，至少包含第n种疾病)，和至少1万条该疾病的阴性数据(可能是诊断为多种疾病的数据，但不包含第n种疾病)。采样频率建议为500hz，每条心电信号的长度为10秒。
[0048]
步骤2：
[0049]
对于数据集合中每一条心电信号，采用[0.5
‑
100]hz的巴特沃兹带通滤波器对于该心电信号的每个导联进行滤波，随后将滤完波后的每一条心电信号按照导联顺序重新拼接到一起，心电信号的数据的维度为(5000，12)。
[0050]
步骤3：
[0051]
将经过步骤2处理的第n(1<n<＝n)种疾病的阳性数据的标签标记为1，阴性数据的标签标记为0。将这些数据xn和标签yn组成n个数据集，数据xn包括阴性数据及阳性数据。
[0052]
步骤4：
[0053]
建立如图2所示的深度学习网络，该网络由n个子网络组成，子网络之间通过结论链接层链接，每一个子网络对应一个结论链接层，相邻两个子网络之间通过对应的结论链接层进行链接。
[0054]
第一个子网络即子网络1建议采取6层的网络结构。其中第一层建议为卷积层，卷积层包含50个大小均为5的一维卷积核，激活函数选用relu函数；第二层建议为卷积层，建议包含60个大小均为6的一维卷积核，激活函数选用relu函数；第三层建议为池化层，建议采用最大池化，核的大小和步长均为2；第四层建议为卷积层，建议包含70个大小为3的一维卷积核，激活函数选用relu函数；第五层建议为全连接层，建议输出为10个神经元，建议激活函数为relu函数；第六层建议为全连接层，输出神经元个数为可分的主导节律的种类个数，激活函数选用sigmoid函数。各层的输入输出之间的计算公式均为现有技术，在此不再赘述。
[0055]
第2
‑
n个子网络即子网络2至子网络n建议采取7层的网络结构。其中第一层建议为卷积层，建议包含50个大小均为5的一维卷积核，激活函数选用relu函数；第二层建议为卷积层，建议包含60个大小均为6的一维卷积核，激活函数选用relu函数；第三层建议为池化层，建议采用最大池化，核的大小和步长均为2；第四层建议为卷积层，建议包含70个大小为3的一维卷积核，激活函数选用relu函数；第五层建议为全连接层，建议输出为10个神经元，建议激活函数为relu函数；第六层建议为全连接层，输出神经元个数为1个，激活函数选用sigmoid函数。各层的输入输出之间的计算公式均与其他文献描述无差别。第7层为选择门，是一种特殊的神经网络，输入为两个神经元，输出为一个神经元，其计算方式为：
[0056][0057]
其中，代表第n
‑
1个子网络的结论链接层的输出，代表第n个子网络的第二个全连接层的输出。
[0058]
第n个结论链接层的输出计算公式为：
[0059][0060]
其中，是第n个结论链接层的系数，是第n个结论链接层的偏移。是第n个结论链接层的激活函数，固定采用sigmoid函数。
[0061]
步骤5：
[0062]
对步骤4提出的深度学习网络进行训练，训练分为两个阶段：
[0063]
第一阶段，固定每个结论链接层的系数n＝1...n，n＝1...n。采用步骤3构造出的n个数据集，依次分别对子网络进行训练。训练算法可以为：随机梯度下降算法、adam算法、rmsprop算法、adagrad算法、adadelta算法、adamax算法等。
[0064]
第二阶段，从所有数据中随机选取k条的经过步骤2预处理的心电信号，其中k>＝n/4。按照新的方式定义标签：数据xk对应的标签yk为长度为n的向量：若xk中包含第n种疾病，则yk中第n个元素为1，否则为0。将各子网络的卷积层、池化层、全连接层系数固定为第一阶段学习得到的数值。采用xk和yk组成新的训练集对结论链接层参数进行训练。训练算法可以为：随机梯度下降算法、adam算法、rmsprop算法、adagrad算法、adadelta算法、adamax算法等。
[0065]
步骤6：
[0066]
当有新的心电信号需要进行诊断时，首先按照步骤2的方法进行预处理，然后输入到由步骤5训练好的网络中，进行计算，得到一个长度为n的向量，向量中的每个元素均分布
在[0
‑
1]之间。当第n个元素值大于0.5时代表心电信号中包含了第n种疾病。
[0067]
本发明实施例还提供了一种存储介质，所述存储介质用于存储静息十二导联心电信号处理方法过程中所产生的数据。其中，静息十二导联心电信号处理方法如前所示，在此不再赘述。
[0068]
本发明还提供了一种处理器，所述处理器用于处理静息十二导联心电信号处理方法过程中所产生的数据。其中，静息十二导联心电信号处理方法如前所示，在此不再赘述。
[0069]
有益效果：本发明提供了一种静息十二导联心电信号处理方法及存储介质及处理器，通过将疾病对应的十二导联心电信号均存储至结论链接层，并将经过滤波处理后的第n(1<n<＝n)种疾病的阳性数据的标签标记为1，阴性数据的标签标记为0，并将数据xn和对应的标签标记yn组成n个数据集，其中数据xn包括一组阴性数据及对应的阳性数据，建立深度学习网络，所述深度学习网络包括多个子网络，子网络之间通过所述结论链接层链接，采用n个数据集对子网络进行训练得到训练模型，将心电信号输入到训练模型以得到该待处理数据的疾病关联结果。该方案提出了具有特殊框架的深度学习网络，通过结论链接层将不同的子网络连接到一起，通过学习结论链接层的系数，揭示出疾病术语之间的内在联系，有助于提高医生对于心电信号数据的解读，大大提高了疾病关联筛查的准确性和效率。
[0070]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
[0071]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0072]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0073]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0074]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。