一种基于心拍差分编码的心电信号人工智能处理电路

1.本发明属于心电信号处理技术领域，具体涉及一种基于心拍差分编码的心电信号人工智能处理电路。


背景技术：

2.根据世界卫生组织（who）发布的《2019年全球卫生估计报告》，心血管疾病（cvd）是全球最主要的死亡原因。为了准确检测出cvd患者，医疗上一般采用心电图（ecg）加上专业医师人工进行心律不齐分析的方案，但是这类方案很难用于家用医疗设备领域，因为笨重的设备和高昂的人工成本。近些年，家用医疗领域随着智能化时代到来而越发兴起，在ecg心脏健康监测方面，具有智能分析能力的日常心电监测设备受到广泛关注：1）相比医院检查，日常ecg监测可以长期、及时地发现心律不齐问题；2）由于早期心脏异常活动往往具有偶发性特点，医院短期ecg检测很难发现这类问题，最后可能患者错过黄金治疗期。
3.为了符合市场预期，优秀的日常心脏健康监测设备需要同时满足实时性、智能化、可穿戴、长续航和高准确率的要求：实时性和智能化保证及时从ecg波形中发现心律不齐现象，可穿戴式设计降低对用户日常生活的影响，而长续航避免过于频繁的因更换电池或充电导致的监测中断，最后的高准确率则是对此类设备的基本要求。总体来看，这五大要求往往互相制约，直接基于现有硬件的设计很难同时达到以上要求，因此通过软硬件协同设计的专用集成电路（asic）芯片成为当前研究热点，国际上很多先进的用于生理信号识别的asic芯片都在追求更低的功耗水平以满足长续航要求。
4.此外，将现有技术成果应用于实际日常心脏健康监测设备上还需要解决泛化准确率的瓶颈：在ecg监测领域，由于病人和病人之间的生理构造的差异性导致每个人的心脏周期活动存在固有差异，从而使得记录心脏周期活动的ecg波形存在着病人间特异性，此外，由于心电极的位置差异或者年龄变化等原因，会导致病人自身的ecg记录也存在随时间变化的病人自特异性。但对于心律不齐识别来说，人工智能分类器在学习阶段只能接触到数据库中病人一段时间的ecg记录，因此现在的人工智能分类器往往在数据库上表现出了极高的识别准确率，但对于数据库外的病人可能出现泛化准确率大幅下降的问题。现有的一些解决方法比如在线学习也存在一些固有问题：1）它们都需要采集实际用户（患者）的一部分ecg记录，再通过专业医师在ecg波形上标注好每次心跳的分类标签；2）无法实时学习病人最新的心跳特点（即ecg特征），在用户日常使用中可能会随着用户重新佩戴而导致准确率下降。


技术实现要素：

5.本发明提供了一种基于心拍差分编码的心电信号人工智能处理电路，可用于提升心电信号的分类识别准确率。
6.本发明提供的基于心拍差分编码的心电信号人工智能处理电路，包括：预处理模块、心拍存储器、心拍模板存储器、差分编码模块、激活模块、神经网络分类器、差分网络存
储器、非差分网络存储器和模板更新模块，其中，预处理模块通过心拍存储器与差分编码模块相连，差分编码模块与激活模块、神经网络分类器顺次相连，差分网络存储器和非差分网络存储器与神经网络分类器相连，所述神经网络分类器通过模板更新模块与心拍模板存储器相连，所述心拍模板存储器与差分编码模块相连；所述预处理模块用于对输入的心电信号进行信号预处理，检测心拍信号并提取单个心拍信号，将提取的心拍信号存储至心拍存储器；所述非差分网络存储器用于存储预训练好的非差分神经网络模型m1，所述差分网络存储器用于存储预训练好的差分神经网络模型m2；所述非差分神经网络模型m1和差分神经网络模型m2用于对输入的心拍信号进行正常心拍和异常心拍的二分类识别处理；所述差分编码器包括两种工作模式，分别为：第一工作模式，差分编码器从心拍存储器中读取心拍信号作为第一心拍信号并发送至神经网络分类器，当神经网络分类器检测到当前接收的心拍信号为第一心拍信号时，神经网络分类器从非差分网络存储器中读取非差分神经网络模型m1作为当前分类模型进行识别分类，得到第一分类结果并发送给模板更新模块；模板更新模块基于得到的多个第一分类结果，将第一分类结果中的正常心拍的均值作为初始心拍模板并存入心拍模板存储器；第二工作模式，差分编码器从心拍存储器中实时读取预处理模块当前获得的心拍信号，并基于当前的心拍信号与当前心拍模板的差值得到差分心拍信号，将差分心拍信号发送给激活模块；所述激活模块用于计算差分心拍信号的方差，若当前差分心拍信号的方差大于阈值th，则唤醒神经网络分类器，将当前差分心拍信号发送给神经网络分类器；若当前差分心拍信号的方差小于或等于阈值th，则表示当前心拍信号的分类结果为正常心拍，直接输出当前心拍信号的分类结果；所述神经网络分类器接收到差分心拍信号时，从差分网络存储器中读取差分神经网络模型m2作为当前分类模型进行识别分类，得到第二分类结果并发送给模板更新模块；当所述模板更新模块检测当前的第二分类结果为正常心拍时，根据配置的计算策略计算当前差分心拍信号的加权更新系数a，根据加权更新系数a与当前差分心拍信号的乘积得到更新量，并对心拍模板存储器存储的心拍模板进行更新，更新后的心拍模板为：更新前的心拍模板与更新量之和。
7.进一步的，所述加权更新系数a为：差分神经网络模型m2输出的当前差分心拍信号判别为正常心拍的概率值与判别为异常心拍的概率值之差的二分之一，再与预设的阈值threshold的乘积。
8.进一步的，激活模块计算差分心拍信号的方差的具体计算方式为：将差分心拍信号均匀分割为m段，其中，m为大于1的整数；并定义每一段包含的采样点数为n；对第m段差分心拍信号，取前n/2个采样点计算均值xm，其中，m=1,2，
…
，m；对第m段差分心拍信号的后n/2个采样点，分别计算各采样点与均值xm的绝对差并将各绝对差的累加和记为ym；基于m段差分心拍信号的ym的均值得到近似方差并作为差分心拍信号的方差。
9.进一步的，所述激活模块还包括：当检测到不唤醒神经网络分类器的次数累计超
过频次阈值时，将直接唤醒神经网络分类器，并将最近的一个差分心拍信号发送给神经网络分类器，等待神经网络分类器反馈分类结果，所所述差分心拍信号为异常心拍，则按照指定比例降低阈值th。
10.进一步的，所述激活模块实时根据神经网络分类器当前输出的分类结果对阈值th进行自适应阈值调整：若分类结果为正常心拍，则根据公式th=th β
×
(y
‑ꢀ
th)
ꢀ×
c更新阈值th；若分类结果为异常心拍，则根据公式th=γ
×y×
c更新阈值th；其中，y表示差分心拍信号的方差，c表示预置的信心因子，β和γ分别表示预置的第一和第二系数。
11.进一步的，所述非差分神经网络模型m1和差分神经网络模型m2的训练方式包括：（1）基于病人心电信号记录数据库中的指定的心电信号特征位置，将连续的心电信号划分为若干心拍波形，从而得到心拍数据集d1，并将心拍数据集d按指定比例划分为训练集和验证集；（2）使用心拍数据集d1的训练集训练非差分神经网络模型m1的分类神经网络模型的网络参数，并通过心拍数据集d1的验证集挑选出准确率最优的分类神经网络模型，得到非差分神经网络模型m1；（3）将心拍数据集d1中每个病人心电信号记录的前n’拍心拍信号送入非差分神经网络模型m1进行分类，统计分类结果为正常心拍的数量，当达到k个时，基于k个正常心拍的均值得到初始的心拍模板，其中，n’、 k为大于1的正整数；（4）顺次遍历心拍数据集d1中每个病人的心电信号的心拍信号hb
in
，基于当前心拍信号hb
in
与当前的心拍模板之差得到差分心拍信号hb
diff
，并按序依次送入非差分神经网络模型m1进行分类，并基于当前得到的分类结果对心拍模板进行更新；基于所有差分心拍信号hb
diff
得到心拍差分数据集d2，并将心拍差分数据集d2按指定比例划分为训练集和验证集；（5）使用心拍差分数据集d2的训练集训练差分神经网络模型m2的分类神经网络模型的网络参数，并通过拍差分数据集d2的验证集挑选出准确率最优的分类神经网络模型，得到差分神经网络模型m2。
12.本发明提供的技术方案至少带来如下有益效果：在本发明中，利用差分心拍的波形特征和自适应阈值实现了正异常心拍的动态唤醒，从而减少人工智能分类器的启动次数最终降低整体系统功耗。本发明进一步基于所提出的心拍差分编码的神经网络训练方法，并配合本发明的基于心拍差分编码的心电信号人工智能处理电路，利用人工智能分类器历史分类结果生成病人心拍模板，并结合心拍差分处理来提高网络模型的泛化准确率，且全过程不需要额外标注病人心拍并且可以实时学习病人自特异性。
附图说明
13.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
14.图1是本发明实施例提供的一种基于心拍差分编码的心电信号人工智能处理电路的结构示意图；图2是本发明实施例提供的一种基于心拍差分编码的心电信号人工智能处理电路在初始化阶段的工作流程图；图3是本发明实施例提供的一种基于心拍差分编码的心电信号人工智能处理电路在工作阶段的工作流程图。
具体实施方式
15.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
16.由于ecg信号的病人（用户）特异性，受个体差异和年龄变化等原因，每个人的正常ecg波形会存在相当大的差异，因此相对有限的ecg记录数据库导致训练的模型往往存在泛化准确率低的问题。本发明实施例中，将病人的心拍拆分为两部分：由正常心脏活动产生的基本波形部分和异常心脏活动导致的波形变异部分。本发明实施例中，以用户的正常心拍生成的模板作为基本波形部分，以当前用户心拍和基本波形的差值作为波形变异部分，进而实现基于心拍差分编码的心电信号人工智能处理电路。
17.作为一种可能的实现方式，本发明实施例采用的基于心拍差分编码的心电信号人工智能处理电路包括：预处理模块、心拍存储器、心拍模板存储器、差分编码模块、激活模块、神经网络分类器、差分网络存储器、非差分网络存储器和模板更新模块，如图1所示，预处理模块通过心拍存储器与差分编码模块相连，差分编码模块与激活模块、神经网络分类器顺次相连，差分网络存储器和非差分网络存储器与神经网络分类器相连，神经网络分类器通过模板更新模块与心拍模板存储器相连，心拍模板存储器还与差分编码模块相连。
18.其中，预处理模块用于对输入的心电信号进行信号预处理，包括：心拍检测和单个心拍信号提取，以及将提取的心拍信号存储在心拍存储器之中。具体的，预处理模块通过其上预置的检测策略实现心拍检测，再按照一定窗长提取出一个个心拍信号。其中，心拍检测可以采用现有任一惯用技术手段，本发明实施例对此不做具体限定。
19.非差分网络存储器用于存储预训练好的非差分神经网络模型m1，而差分网络存储器用于存储预训练好的差分神经网络模型m2。其中，模型m1和模型m2用于对输入的心拍信号进行正常心拍和异常心拍的二分类识别处理，且模型m1和模型m2的网络结构可以采用任一本领域惯用的用于分类任务的神经网络结构，本发明实施例对此不做具体限定。
20.差分编码器包括两种工作模式，当其工作在第一工作模式（即初始化阶段）时，差分编码器从心拍存储器中读取心拍信号作为第一心拍信号（模型m1的输入数据）并发送至神经网络分类器，当神经网络分类器检测到当前接收的心拍信号为第一心拍信号时，神经网络分类器从非差分网络存储器中读取非差分神经网络模型m1作为当前分类模型进行识别分类，得到第一分类结果并发送给模板更新模块。模板更新模块基于得到的多个第一分类结果，将第一分类结果中的正常心拍hb
normal
的均值作为初始心拍模板hb
temp
并存入心拍模板存储器。
21.例如，定义当前得到的正常心拍hb
normal
的数量定义为k，则初始心拍模板hb
temp
的计算公式为：
其中，i用于表示正常心拍的编号，hb
normal
[i]表示第i个正常心拍。
[0022]
当差分编码器工作在第二工作模式时，差分编码器从心拍存储器中实时读取预处理模块当前获得的心拍信号hb
in
，根据心拍信号hb
in
和当前心拍模板（hb
temp
）的差值计算出差分心拍信号hb
diff
，并将差分心拍信号hb
diff
送到激活模块。其中，差分心拍信号hb
diff
的计算公式如公式（2）所示：同时，激活模块将差分心拍信号hb
diff
均分割为多段，定义m表示分割后的段数，每一段包含的采样点定义为n，并将n个采样点表示为：s1~sn。
[0023]
则对于任意第m（m=1,2，
…
，m）段，则可以按照公式（3）取前n/2个点计算均值xm，按照公式(4)根据均值xm以及后n/2个点计算中间量ym，最后通过公式(5)对m段信号求平均得到近似方差y，用于衡量当前心拍和心拍模板相似性。
[0024]
激活模块将近似方差y与预置的阈值th进行比较，如果大于阈值则激活神经网络，即将差分心拍信号hb
diff
送入神经网络分类器进一步分类，否则直接由激活模块输出分类结果为正常，即当近似方差y小于或等于阈值th，则表示当前的心拍信号为正常心拍，可以无需神经网络分类器而直接获得分类结果。
[0025]
当神经网络分类器检测到当前接收的心拍信号为第二心拍信号（差分心拍信号hb
diff
）时，神经网络分类器从差分网络存储器中读取差分神经网络模型m2作为当前分类模型进行识别分类，得到第二分类结果（差分心拍信号hb
diff
的分类结果），同时将第二分类结果发送给模板更新模块。
[0026]
模板更新模块在获得差分心拍信号hb
diff
的分类结果之后，如果为异常则不做任何处理。而如果为正常，则通过公式(6)计算出当前心拍的加权更新系数a：其中，threshold表示认为设置的阈值，softmax[normal]为神经网络（差分神经网络模型m2）的计算结果经过softmax函数得到的判别为正常心拍的概率值，同理，softmax
[abnormal]为神经网络（差分神经网络模型m2）判别为判别为异常心拍的概率值。
[0027]
模板更新模块基于当前心拍模板hb
temp
、当前差分心拍信号hb
diff
以及加权更新系数a，根据公式(7)计算出新的心拍模板，并存入心拍模板存储器中。
[0028]
为了进一步提升分类的准确性，作为一种可能的实现方式，本发明实施例中，还通过下述不同的手段对阈值th进行自适应更新处理：阈值th的初始值可以设置为相对较低的值，以使得最开始的大部分心拍信号hb
in
的分类结果通过神经网络分类器获得。
[0029]
另外，当激活模块检测到不唤醒神经网络分类器的次数累计超过频次阈值时，将直接唤醒神经网络分类器，并送入最后一个差分心拍信号hb
diff
以判断对应的心拍信号hb
in
是否真的是正常。如果被分类为了异常心拍，则会将阈值th按照一定比例降低。
[0030]
另外，激活模块还会根据以下自适应阈值调整方式调整阈值th：如果神经网络分类结果为正常，则通过公式(8)提高阈值th，如果结果为异常，则使用公式(9)。其中，c表示信心因子，β和γ是预先设置好的第一和第二系数。
[0031]
由于可直接用于训练的心拍差分数据集是难以获取的，因此为了让心拍差分编码技术在现有的完整心拍数据集上使用，而不用单独采集专用心拍差分数据集，本发明实施例中，对于给定的分类神经网络模型，优选采用本发明实施例提供的基于心拍差分编码的神经网络训练方式，进而得到训练好的非差分神经网络模型m1和差分神经网络模型m2。
[0032]
所述基于心拍差分编码的神经网络训练方式为：（1）首先根据病人ecg记录数据库中的指定特征（优选r峰，即心电信号单拍节律的最高点）位置，从而把连续的ecg记录划分成若干心拍波形以得到完整心拍数据集d1，并划分成训练集和验证集，继续执行（2）。
[0033]
（2）使用数据集d1的训练集训练非差分神经网络模型m1的分类神经网络模型的网络参数，并利用验证集挑选出准确率最优的分类神经网络模型，最终获得非差分神经网络模型m1，继续执行（3）。
[0034]
（3）将数据集d1中每个病人ecg记录的前n拍心拍信号送入模型m1进行分类，直到得到k拍被模型m1识别为正常的心拍信号，然后基于公式(1)计算出初始心拍模板hb
temp
，k的数值可自由定义，继续执行（4）。
[0035]
（4）将数据集d1中每个病人ecg记录的心拍hb
in
按先后顺序送入模型m1进行分类，在hb
in
送入模型m1分类前按公式(2)获得该心拍的差分心拍信号hb
diff
，而在得到分类结果后按公式（7）更新心拍模板，每次处理当前病人则切换到数据集d1中下一个病人并重复步骤（3）和（4），最终得到心拍差分数据集d2，并将心拍差分数据集d2划分为训练集和验证集，
继续执行（5）。
[0036]
（5）使用心拍差分数据集d2的训练集训练差分神经网络模型m2的分类神经网络模型的网络参数，并利用验证集挑选出准确率最优的分类神经网络模型，最终获得差分神经网络模型m2。
[0037]
作为一种可能的实现方式，本发明实施例提供的基于心拍差分编码的心电信号人工智能处理电路的初始化阶段和工作阶段的工作流程分别如图2、3所示：s0、无论处于什么阶段，预处理模块会从连续的心电信号中检测心拍，并根据心拍所在的位置，按照一定窗长提取出一个个心拍信号，存储在心拍存储器之中。
[0038]
s1、在初始化阶段，差分编码器从心拍存储器中取出完整的心拍直接送到神经网络分类器中。神经网络分类器从非差分网络存 储器中取出非差分网络模型m1，进行识别分类。模板更新模块将识别出的k个正常心拍hb
normal
求其均值作为初始心拍模板hb
temp
，并将hb
temp
存入心拍模板存储器。
[0039]
s21、在工作阶段，每获得一个心拍信号，差分编码器从心拍存储器取出完整心拍信号hb
in
，根据hb
in
和当前心拍模板hb
temp
的差值计算出差分心拍信号hb
diff
，并且将hb
diff
送到激活模块。
[0040]
s22、工作阶段第二步：激活模块将差分心拍信号hb
diff
分割成m段，每一段包含n个采样点s1~sn。对于第m段，按照公式(3)取前n/2个点计算均值xm，按照公式(4)根据均值xm以及后n/2个点计算ym，最后通过公式(5)对m段信号求平均得到近似方差y，用于衡量当前心拍和心拍模板相似性。
[0041]
激活模块将y与阈值th进行比较，如果大于阈值则激活神经网络，将差分心拍信号hb
diff
送入神经网络分类器进一步分类，继续执行步骤s23；否则被分类为正常心拍，激活模块输出分类结果为正常。如果是第一个心拍，对应会和初始阈值进行比较。初始阈值设置较低，因此大部分心拍会由神经网络分类器计算出分类结果。另外，当激活模块检测到不唤醒神经网络分类器的次数累计超过频次阈值时，将直接唤醒神经网络分类器，并送入最后一个差分心拍信号以判断该心拍是否真的是正常。如果被分类为了异常心拍，则会将阈值th按照一定比例降低。
[0042]
s23、工作阶段第三步：神经网络分类器接收到差分心拍信号hb
diff
后，会从差分网络存储器中取出差分网络模型m2，对hb
diff
进行分类并输出分类结果。
[0043]
s24、工作阶段第四步：模板更新模块在获得hb
diff
的分类结果之后，如果为异常则不做任何处理。而如果为正常，则通过公式(6)计算出当前心拍的加权更新系数a。另外，激活模块会根据以下自适应阈值调整方法调整步骤s22中的阈值th：如果神经网络分类结果为正常，则通过公式(8)提高阈值th，如果结果为异常，则使用公式(9)。
[0044]
s25、最后在工作阶段第五步：模板更新。模板更新模块使用当前心拍模板hb
temp
、当前差分心拍信号hb
diff
以及softmax加权获得的加权更新系数a，根据公式(7)计算出新的心拍模板，并存入心拍模板存储器中。
[0045]
s31、在工作阶段中，每输入一次心拍信号则循环一次s21、s22、s23、s24和s25步骤。
[0046]
最后应说明的是：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
参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
[0047]
以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。