心电信号的分类方法、系统、电子设备及可读存储介质与流程

1.本发明属于心电信号识别分类领域，特别涉及一种心电信号的分类方法、系统、电子设备及可读存储介质。


背景技术：

2.心电图检查是临床上诊断心血管疾病的重要方法，精确的心电图自动分析可以为医生提供一定的辅助信息。随着人工智能的飞速发展，深度学习借助其强大的特征提取和分类能力已经成功地应用在各个领域，比如，将信号输入到深度学习网络种进行分类，或者结合人工特征作为网络的输入再进行分类，但由于这类方法依赖人工选择特征，因此选择的特征可能具有一定的局限性，不能充分表达信号的深层特性；也有研究者将深度学习网络作为特征提取器，提取心电信号高层次的抽象特征再进行分类，但由于心电信号是一种具有非平稳性、随机性的弱信号，其易受干扰，因而其分类的准确度仍有待研究与提高。总之，基于深度学习如何能够实现更高精度的心电信号分类算法仍有很大的研究空间。


技术实现要素：

3.本发明要解决的技术问题是为了克服现有技术中的上述缺陷，提供一种心电信号的分类方法、系统、电子设备及可读存储介质。
4.本发明是通过下述技术方案来解决上述技术问题：
5.一种心电信号的分类方法，包括：
6.获取心电信号；
7.将所述心电信号输入第一分类模型，输出所述心电信号的初始分类结果；
8.获取所述第一分类模型的残差模块输出的特征图；
9.将所述心电信号的初始分类结果和特征图输入第二分类模型，输出所述心电信号的最终分类结果。
10.较佳地，还包括：
11.对所述特征图进行降维处理，得到特征向量。
12.较佳地，所述获取所述第一分类模型的残差模块输出的特征图包括：
13.获取所述第一分类模型的最后一个残差模块输出的特征图。
14.较佳地，还包括：
15.对所述心电信号进行预处理；
16.所述预处理包括对所述心电信号进行提取，得到预设信号长度的至少一个信号段。
17.较佳地，所述预处理具体包括：
18.若心电信号的长度小于所述预设信号长度，则将心电信号补0至所述预设信号长度得到信号段；
19.若心电信号的长度大于所述预设信号长度，则对心电信号按照预设步长进行提
取，得到预设信号长度的至少一个信号段。
20.较佳地，还包括：
21.获取所述心电信号的所属导联；
22.所述将所述心电信号输入第一分类模型包括：
23.将所述心电信号和所述所属导联输入第一分类模型。
24.较佳地，所述分类方法中的第一分类模型基于第一训练集训练得到；
25.所述第一训练集包括多个样本心电信号及每个样本心电信号的分类标签；
26.和/或，
27.所述分类方法中的第二分类模型基于第二训练集训练得到；
28.所述第二训练集包括多个样本心电信号输入所述第一分类模型后的初始分类结果、每个样本心电信号输入所述第一分类模型后所述第一分类模型的残差模块输出的特征图以及每个样本心电信号的分类标签。
29.一种心电信号的分类系统，包括：
30.信号获取模块，用于获取心电信号；
31.初始分类模块，用于将所述心电信号输入第一分类模型，输出所述心电信号的初始分类结果；
32.特征图获取模块，用于获取所述第一分类模型的残差模块输出的特征图；
33.最终分类模块，用于将所述心电信号的初始分类结果和特征图输入第二分类模型，输出所述心电信号的最终分类结果。
34.一种电子设备，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计算机程序时实现上述的心电信号的分类方法。
35.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的心电信号的分类方法。
36.本发明的积极进步效果在于：本技术采用第一分类模型获得每个心电信号的初步分类结果，进一步结合第一分类模型提取到的特征图结合第一分类模型输出的初始分类结果进行再次分析，使用第二分类模型进行分类，得到最终的分类结果，提高了分类模型的鲁棒性，也提高了心电信号的最终分类精度。
附图说明
37.图1为本发明实施例1的心电信号的分类方法的流程图。
38.图2为本发明实施例2的心电信号的分类方法的流程图。
39.图3为本发明实施例3的心电信号的分类方法的流程图。
40.图4为本发明实施例4的心电信号的分类方法的流程图。
41.图5为本发明实施例5中基于se-resnet的深度卷积神经网络的流程图。
42.图6为本发明实施例6的心电信号的分类系统的模块示意图。
43.图7为本发明实施例7的电子设备的结构示意图。
具体实施方式
44.下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实
施例范围之中。
45.实施例1
46.本技术提出一种基于深度学习的心电信号分类方法，该方法包括基于se-resnet的深度卷积神经网络的心电信号分类及特征提取模块，基于因子分析的特征降维模块以及基于attention机制的bilstm网络的分类模块三部分组成。其中，基于se-resnet的深度卷积神经网络的心电信号分类及特征提取模块用于对输入的心电信号进行初步分类，以得到初始分类结果及神经网络输出的特征图，特征降维模块用于对前述的特征图进行降维处理得到特征向量，基于attention机制的bilstm网络的分类模块用于对特征向量和第一分类模型输出的初始分类结果进行再次分析，进而得到最终的信号分类结果。
47.具体的，如图1所示，心电信号的分类方法，包括：
48.步骤10、获取心电信号；
49.具体的，心电信号可以是通过心电图仪获取，也可以是通过一些智能穿戴设备比如手环、手表等获取，其基本原理是通过与在人体体表接触的电极来获取的，随着医疗器械技术，心电图仪的导联数量越来越多，由起初的单导联到三导联、十八导联等，目前医院临床普遍使用的为十二导联，称之为标准导联。对于智能穿戴设备来说也是可以获取单导联、多导联的心电信号。
50.步骤20、将心电信号输入第一分类模型，输出心电信号的初始分类结果；
51.具体的，第一分类模型可以是传统分类器(如svm，mlp等)，或者是深度学习网络(如rnn，cnn等)，以对输入的心电信号进行分类。本实施例优选的构建一个基于se-resnet的深度卷积神经网络作为第一分类模型，其隐藏层由一个卷积层、多个se-resnet模块以及池化层组成，最后经一个全连接层和softmax函数输出当前心电信号属于每个类别的概率值。
52.步骤30、获取第一分类模型的残差模块输出的特征图；
53.具体的，常规的卷积神经网络中主要有两个操作，一个是卷积，一个是池化，其中池化层并不会对通道之间的交互有影响，只是在各个通道中进行池化操作，而卷积层则可以在通道与通道之间进行信息交互，之后在下一层生成新的通道，而特征图是与卷积层作用输出的结果，而对于残差模块，常规的残差模块一般是由多个卷积层按照逻辑组合形成的，进而，其可以输出与每个残差模块对应的特征图，如果有多个残差模块，则每个残差模块都会有对应的特征图输出。
54.步骤40、将心电信号的初始分类结果和特征图输入第二分类模型，输出心电信号的最终分类结果。
55.具体的，第二分类模型可以是传统分类器(如svm，mlp等)，或者是深度学习网络(如rnn，cnn等)，由于rnn能处理不同长度的输入，而且能挖掘序列数据之间的关系，因此，本技术优选的采用基于attention机制的bilstm网络作为第二分类模型，捕捉各心电信号之间的联系，以得到更佳的心电信号的最终分类结果。
56.本实施例中，采用第一分类模型获得每个心电信号的初步分类结果，进一步结合第一分类模型提取到的特征图结合第一分类模型输出的初始分类结果进行再次分析，使用第二分类模型进行分类，得到最终的分类结果，本技术提高了分类模型的鲁棒性，也提高了心电信号的最终分类精度。
57.实施例2
58.本实施例的心电信号的分类方法是在实施例1的基础上进一步改进，如图2所示，步骤40之前，还包括：
59.步骤31、对特征图进行降维处理，得到特征向量；
60.具体的，通过第一分类模型获取的特征图维数较大，具有一定的冗余信息，因此优选的对特征图进行降维处理，一方面可以减少数据维度以加快后面模型的数据处理，另一方面也是将原始特征转化为有利于分类的特征，从而提高分类精度。优选的，本技术采用因子分析法对特征图进行降维处理。
61.进一步的，将降维处理后得到的特征向量作为第二分类模型的输入特征的一部分，以得到更佳的心电信号的最终分类结果。
62.本实施例中，参见图2，步骤30具体包括：
63.步骤301、获取第一分类模型的最后一个残差模块输出的特征图。
64.具体的，在心电信号第一分类模型的残差模块中，最后一个残差模块的输出更能提取心电信号高层次的抽象特征，因此，优选的取该残差模块输出的特征图作为后续输入第二分类模型的新特征，同时还能减少数据维度以加快后面的数据处理速度。
65.本实施例中，为了获取更优的新的特征，对于第一分类模型输出的特征图优选采用最后一个残差模块输出的特征图，并且对特征图进行降维处理，进而能够综合考虑数据处理速度及心电信号的分类精度。
66.实施例3
67.本实施例的心电信号的分类方法是在实施例1的基础上进一步改进，如图3所示，步骤10之后，还包括：
68.步骤11、对心电信号进行预处理；
69.所述预处理包括对所述心电信号进行提取，得到预设信号长度的至少一个信号段；
70.具体的，对于不同时长的心电信号，设定提取同样长度的信号段，使得输入网络的信号段维度一致，以便于完成后续模型的数据处理。比如，获取数据总量共计8528个单导联心电信号，信号采样率为300hz，每个心电信号的时长不一，其分布范围大致为9s至61s。对于每个心电信号，依次提取10s(预设信号长度)的信号段，每秒的信号长度对应300个采样点。
71.进一步的，基于前述获取到的信号段，将其作为输入数据输入第一分类模型；再将第一分类模型输出的每个信号段的初始分类结果和特征图输入第二分类模型，进而输出心电信号的最终分类结果。
72.其中，所述预处理具体包括：
73.若心电信号的长度小于预设信号长度，则将心电信号补0至预设信号长度得到信号段；
74.具体的，为了确保输入网络的信号维度一致，对于信号长度较短的心电信号，比如若长度不足10s，则对采样点补0至预设信号长度，以便于完成后续模型的数据处理。
75.若心电信号的长度大于所述预设信号长度，则对心电信号按照预设步长进行提取，得到预设信号长度的至少一个信号段。
76.具体的，若长度超过10s，对于每个心电信号，每20s(预设步长)提取10s(预设信号长度)的信号段，比如，若长度小于20s，则得到一个10s的信号段，若长度为29s，则提取1个10s的信号段后，下一个步长内只有9s的数据，则对数据补0至10s得到第2个信号段。
77.本实施例中，为实现不同时长心电信号的分类，提高其分类准确率，对原始心电信号进行分段，以使得输入网络的信号段维度一致，以便于完成后续模型的数据处理。
78.实施例4
79.本实施例的心电信号的分类方法是在实施例1的基础上进一步改进，如图4所示，步骤20之前，还包括：
80.步骤12、获取心电信号的所属导联；
81.具体的，实际采集到的可能是多个导联的数据，针对不同导联的心电信号，由于对应不同的分类标签范围，比如对于导联i信号做正常、房颤、其他节律、噪声的分类，导联ii信号做正常、异常、噪声的分类，那么在分类时，需要明确其对应哪个导联，由此在分类前需要获取心电信号的所属导联。
82.进一步的，步骤20包括：
83.步骤202、将心电信号和所属导联输入第一分类模型，输出心电信号的初始分类结果。
84.具体的，将所属导联输入第一分类模型内，可以在模型内前置一个选择模块，用于选择对应的分类标签范围及对应的分类模型，亦或者在模型内进行参数设置时，将所属导联作为模型的一个参数，进而实现对不同导联的心电信号的分类。
85.本实施例中，考虑到实际采集到的是多个导联的数据，而不同导联的心电信号应不同的分类标签范围，因此，在初步分类时，需要明确心电信号的所述导联，进一步精细化以及提高心电信号的分类结果。
86.实施例5
87.本实施例中，基于第一训练集训练得到第一分类模型，基于第二训练集训练得到第二分类模型，进一步将其应用于如实施例1所述的心电信号的分类方法中；
88.其中，所述第一训练集包括多个样本心电信号及每个样本心电信号的分类标签；
89.所述第二训练集包括多个样本心电信号输入所述第一分类模型后的初始分类结果、每个样本心电信号输入所述第一分类模型后所述第一分类模型的残差模块输出的特征图以及每个样本心电信号的分类标签。
90.具体的，上述训练中，可以将样本心电信号或者经过预处理(如信号去噪，数据增强等)后的信号直接输入到深度学习网络(如rnn，cnn等)中，训练得到第一分类模型和第二分类模型，或者将深度学习网络作为特征提取器，提取样本心电信号高层次的抽象特征，然后借助传统分类模型进行训练，进而得到第一分类模型和第二分类模型。
91.亦或者，将样本心电信号切分成若干个大小相等的信号段，再基于每个信号段进行训练，另外，还可以将所属导联作为模型的一个参数，进而实现对不同导联的心电信号的分类，具体的，第一分类模型和第二分类模型的训练集如下：
92.所述第一训练集包括多个样本心电信号的多个样本信号段、每个样本心电信号的所属导联及每个样本信号段的分类标签；
93.其中，所述样本信号段通过对所述样本心电信号按照预设步长进行提取得到；
94.其中，在第一分类模型的训练过程中，为了使得更多的数据参与训练且平衡不同类别的数据，将步长设置为不同值以增加数据。以导联i数据为例，当信号类别为噪声信号和房颤信号时，步长设置为1000个采样点，当信号类别为正常和其它节律时，步长设置为1500个采样点。
95.所述第二训练集包括多个样本信号段输入所述第一分类模型后的初始分类结果、每个样本信号段输入所述第一分类模型后所述第一分类模型的残差模块输出的特征图以及每个信号段的分类标签；
96.其中，所述样本信号段通过对样本心电信号按照预设步长进行提取得到。
97.其中，在第二分类模型的训练和验证过程中，为了确保数据的完整性，可以将步长均设置为1000个采样点，不舍弃任何数据。基于该设定，将得到的多个样本信号段输入第一分类模型得到对应的初始分类结果，再基于初始分类结果以及残差模块输出的特征图作为新的特征进行第二分类模型的训练。
98.具体的，数据训练的过程如下，以单导联心电信号为例：
99.1、数据预处理
100.获取导联i心电信号x，对原始信号进行分段，若原始信号长度小于10s，则对原始信号进行补0操作；如果原始信号长度大于10s，则按照步长对原始信号分段提取，每段信号长度为10s，步长为信号段长度的1/3(可根据信号实际长短动态调整步长)。因此，一段原始信号x被提取得到l个信号段，x＝{x1,x2,
…
,xi,
…
,x
l
}，每个信号段xi的标签yi均与原始信号的标签y一致，此处的标签为已知的心电信号的分类结果。其中，导联i的分类标签范围为：正常(normal)，房颤(af)，其他节律(other)和噪声信号(noisy)。
101.另外，在对获取的训练集数据进行处理时，若正常心电信号数量占比较多，比如达到90％以上，可以对数据进行滤除处理以平衡数据，同时也可以防止数据刚采集的时候，信号不稳定造成开始的一段信号质量不好，可以舍弃前面一点采样数据，具体的，对于心电信号的长度大于某一长度阈值的心电信号，滤除心电信号中时间靠前的一段信号再用于第一模型的训练。比如，若心电信号数据长度超过了比如9000个采样点(9000个采样点的长度为30s，设30s为长度阈值)，对于整段信号的后8000个数据点应该可以包含该信号的大部分信息，将前1000个数据点滤除处理。
102.2、特征提取与分类
103.构建一个基于se-resnet的深度卷积神经网络作为分类器，如图5所示，网络的输入为10s的信号段xi，中间的隐藏层由卷积层(convolution)、归一化层(bath norm)、激活函数层(relu)、最大池化层(maxpooling)、多个残差模块(se-resnet module)以及全局池化层(globalpooling)组成，图中
“×
3”表示有三组由2个残差模块和1个最大池化层组成的结构，并顺次执行，最后经一个全连接层(fc)和softmax函数输出当前信号段属于每个类别的概率值。将每个信号段的标签yi作为监督信号，使用训练集进行优化训练。完成模型的学习后得到第一分类模型，使用第一分类模型对上述每个信号段xi进行分类，得到以及最后一个se-resnet模块输出的特征图fi∈r8×
84
。
104.3、特征降维与组合
105.采用因子分析对特征图fi进行降维，本示例中取因子个数设置为20，得到f
′i∈r1×
20
，一方面可以减少数据维度以加快后面模型的训练，另一方面可以将原始特征转化为有
利于分类的特征，从而提高分类精度。为提高后续网络的分类性能，减少信息损失，同时组合了每个信号段的分类结果和降维后特征f
′i，生成新的特征m＝[m1,m2,
…
,m
l
]
t
。例如f
′i＝[2,2,
…
,2,2]，则组合在一起为mi＝[2,2,
…
,2,1,0,0,0]。
[0106]
4、信号分类
[0107]
由于rnn能处理不同长度的输入，而且能挖掘序列数据之间的关系。因此，采用基于attention机制的bilstm网络作为分类器，捕捉各个信号段之间的联系，网络的输入为该心电信号经上述分段、分类和特征组合后获得的m＝[m1,m2,
…
,m
l
]
t
，其中l为信号段的个数。网络的监督信号为整个心电信号标签y。在训练集上完成有监督的学习后得到第二分类模型，第二分类模型即可实现心电信号分类功能。本示例中，进一步的基于五次交叉验证对模型进行验证，得到平均结果f1 score可达0.8477。
[0108]
实施例6
[0109]
一种心电信号的分类系统，如图6所示，包括：
[0110]
信号获取模块1，用于获取心电信号；
[0111]
具体的，心电信号可以是通过心电图仪获取，也可以是通过一些智能穿戴设备比如手环、手表等获取，其基本原理是通过与在人体体表接触的电极来获取的，随着医疗器械技术，心电图仪的导联数量越来越多，由起初的单导联到三导联、十八导联等，目前医院临床普遍使用的为十二导联，称之为标准导联。对于智能穿戴设备来说也是可以获取单导联、多导联的心电信号。
[0112]
初始分类模块2，用于将所述心电信号输入第一分类模型，输出所述心电信号的初始分类结果；
[0113]
具体的，第一分类模型可以是传统分类器(如svm，mlp等)，或者是深度学习网络(如rnn，cnn等)，以对输入的心电信号进行分类。本实施例优选的构建一个基于se-resnet的深度卷积神经网络作为第一分类模型，其隐藏层由一个卷积层、多个se-resnet模块以及池化层组成，最后经一个全连接层和softmax函数输出当前心电信号属于每个类别的概率值。
[0114]
特征图获取模块3，用于获取所述第一分类模型的残差模块输出的特征图；
[0115]
具体的，常规的卷积神经网络中主要有两个操作，一个是卷积，一个是池化，其中池化层并不会对通道之间的交互有影响，只是在各个通道中进行池化操作，而卷积层则可以在通道与通道之间进行信息交互，之后在下一层生成新的通道，而特征图是与卷积层作用输出的结果，而对于残差模块，常规的残差模块一般是由多个卷积层按照逻辑组合形成的，进而，其可以输出与每个残差模块对应的特征图，如果有多个残差模块，则每个残差模块都会有对应的特征图输出。
[0116]
最终分类模块4，用于将所述心电信号的初始分类结果和特征图输入第二分类模型，输出所述心电信号的最终分类结果。
[0117]
具体的，第二分类模型可以是传统分类器(如svm，mlp等)，或者是深度学习网络(如rnn，cnn等)，由于rnn能处理不同长度的输入，而且能挖掘序列数据之间的关系，因此，本技术优选的采用基于attention机制的bilstm网络作为第二分类模型，捕捉各心电信号之间的联系，以得到更佳的心电信号的最终分类结果。
[0118]
本实施例中，采用第一分类模型获得每个心电信号的初步分类结果，进一步结合第一分类模型提取到的特征图结合第一分类模型输出的初始分类结果进行再次分析，使用第二分类模型进行分类，得到最终的分类结果，本技术提高了分类模型的鲁棒性，也提高了心电信号的最终分类精度。
[0119]
实施例7
[0120]
一种电子设备，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计算机程序时实现实施例1-5中任意一个实施例所述的心电信号的分类方法。
[0121]
图7为本实施例提供的一种电子设备的结构示意图。图7示出了适于用来实现本发明实施方式的示例性电子设备90的框图。图7显示的电子设备90仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0122]
如图7所示，电子设备90可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备90的组件可以包括但不限于：至少一个处理器91、至少一个存储器92、连接不同系统组件(包括存储器92和处理器91)的总线93。
[0123]
总线93包括数据总线、地址总线和控制总线。
[0124]
存储器92可以包括易失性存储器，例如随机存取存储器(ram)921和/或高速缓存存储器922，还可以进一步包括只读存储器(rom)923。
[0125]
存储器92还可以包括具有一组(至少一个)程序模块924的程序工具925，这样的程序模块924包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
[0126]
处理器91通过运行存储在存储器92中的计算机程序，从而执行各种功能应用以及数据处理。
[0127]
电子设备90也可以与一个或多个外部设备94(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(i/o)接口95进行。并且，电子设备90还可以通过网络适配器96与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器96通过总线93与电子设备90的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备90使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、raid(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
[0128]
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本技术的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
[0129]
实施例7
[0130]
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现实施例1-5中任意一个实施例所述的心电信号的分类方法。
[0131]
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
[0132]
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代
码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实现实施例1-5中任意一个实施例所述的心电信号的分类方法。
[0133]
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
[0134]
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。