基于机器学习的静息心电分析方法与流程

1.本发明涉及一种信息处理方法，特别是涉及一种基于机器学习的静息心电分析方法。


背景技术：

2.心电图是医生进行心血管疾病诊断治疗的主要依据之一。随着科技的发展，基于心电图的自动分析技术已被广泛地应用于心脏疾病的检测和诊断。诊断算法能从心电信号中筛查出少部分关键的异常片段，并给出辅助诊断结论，从而降低医生的工作强度并提高诊断精度。尤其对于心电的实时监控，算法可以做到24h在线，有极大的应用价值。传统的诊断算法主要包括特征提取与特征分类或回归两个步骤。早期特征提取方法主要提取波形特征，如r波，qrs波群等，根据波形计算rr间期等生理参数特征，最终将提取到的特征输入分类器进行分类，此类方法对心律失常疾病识别有不错的效果。后来的方法在此基础上，于特征提取环节增加了时频、形态学、小波系数、高阶谱、多谱等特征，使得算法对心律失常分类精度有很大的提高。总体来说，这类方法的特征主要为人工设计，应用于复杂的心电数据分析就很不充足，而且相对误差较大。


技术实现要素：

3.鉴于现有技术存在的上述问题，本发明的目的在于提供一种能够快速对心电数据进行分类分析的基于机器学习的静息心电分析方法。
4.为了实现上述目的，本发明提供的基于机器学习的静息心电分析方法，包括：
5.获取心电波形数据；
6.构建卷积神经网络算法模型，所述卷积神经网络算法模型包括数据分帧一卷积层，所述卷积层为深度可分离卷积结构，且其卷积核宽度为25，步长为2，组数为12；所述卷积层之后为一池化层，所述池化层连接4个密集连接块(dense block)，各个所述密集连接块之间通过一过渡层(transition layer)连接；所述心电波形数据在经过最后一个所述密集连接层后通过所述池化层进行特征向量化；
7.将经过特征向量化的特征向量输入预先训练的分类器进行分类，所述分类器至少包括表征心率失常的分类器及表征窦性心律的分类器。
8.作为优选，获取心电波形数据之后，还包括数据预处理步骤，该步骤包括：1)针对所述心电波形数据进行上限截止频率为35hz的低通滤波处理；和/或，2)对使用下限截止频率为0.5hz的高通滤波处理。
9.作为优选，获取心电波形数据的采样频率为360hz，在进行所述数据预处理时还包括对心电信号进行小波分解。
10.作为优选，在进行所述数据预处理时，还包括根据r波位置对心电信号进行分割。
11.作为优选，所述卷积层为3个连续操作的复合函数：批规范化处理(bn)，修正线性单元(relu)和核大小为1
×
13的卷积操作(conv)。
12.作为优选，所述密集连接块为多个核大小1
×
1与1
×
13卷积层的卷积核组，所述卷积核组在4个所述密集连接块中的数目分别为6，12，24和16，并且设置特征图的增长速率为12。
13.作为优选，所述过渡层为核大小由1
×
1的卷积层连接一个步长为1
×
5平均池化层组成的。
14.作为优选，在获取心电波形数据之后，还包括数据分帧步骤。
15.作为优选，在进行特征向量化时，采用全局池化方式和/或采用lstm循环神经网络。
16.作为优选，所述分类器在进行预先训练时，包括：
17.根据过往真实的心电波形数据的p波、qrs波群和或t波的幅值特征，获取初始样本集，并根据不同的特征划分多个样本子集；
18.针对不同的样本子集，随机抽取若干样本分别生成训练集和测试集；
19.构建线性分类器，并通过所述训练集对所述线性分类器进行训练。
20.与现有技术相比较，本发明提供的基于机器学习的静息心电分析方法，经过试验验证，可实现对静息心电数据的正常或异常的识别准确率提升到93.15％。
附图说明
21.图1为本发明的基于机器学习的静息心电分析方法的方法流程图。
具体实施方式
22.为使本领域技术人员更好的理解本发明的技术方案，下面结合附图和具体实施方式对本发明作详细说明。
23.此处参考附图描述本发明的各种方案以及特征。
24.通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本发明的这些和其它特性将会变得显而易见。
25.还应当理解，尽管已经参照一些具体实例对本发明进行了描述，但本领域技术人员能够确定地实现本发明的很多其它等效形式，它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
26.当结合附图时，鉴于以下详细说明，本发明的上述和其他方面、特征和优势将变得更为显而易见。
27.此后参照附图描述本发明的具体实施例；然而，应当理解，所发明的实施例仅仅是本发明的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以根据用户的历史的操作，判明真实的意图，避免不必要或多余的细节使得本发明模糊不清。因此，本文所发明的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本发明。
28.本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本发明的相同或不同实施例中的一个或多个。
29.本发明提供的基于机器学习的静息心电分析方法，包括：获取心电波形数据；这一
步通常可为临床采集，获取心电波形数据的采样频率为360hz，临床采集的数据往往长度不等，因此，在获取心电波形数据之后，还包括数据分帧步骤。具体地分帧的方法可示例性是将数据截取为10节长度为1000点的小段，一节即为一帧，每个数据都看作是10帧数据的组合。当数据的长度处于[1000,10000]之间时，都可以将其大小动态地规整为[10,1000]。
[0030]
构建卷积神经网络算法模型，所述卷积神经网络算法模型包括数据分帧一卷积层，所述卷积层为深度可分离卷积结构，且其卷积核宽度为25，步长为2，组数为12；所述卷积层之后为一池化层，所述池化层连接4个密集连接块(dense block)，各个所述密集连接块之间通过一过渡层(transition layer)连接；所述心电波形数据在经过最后一个所述密集连接层后通过所述池化层进行特征向量化；将经过特征向量化的特征向量输入预先训练的分类器进行分类，所述分类器至少包括表征心率失常的分类器及表征窦性心律的分类器。
[0031]
上述卷积神经网络模型中，所述卷积层为3个连续操作的复合函数：批规范化处理(bn)，修正线性单元(relu)和核大小为1
×
13的卷积操作(conv)。所述密集连接块为多个核大小1
×
1与1
×
13卷积层的卷积核组，所述卷积核组在4个所述密集连接块中的数目分别为6，12，24和16，并且设置特征图的增长速率为12。所述过渡层为核大小由1
×
1的卷积层连接一个步长为1
×
5平均池化层组成的。
[0032]
心电数据集中疾病样本数目相对较少，而且不同疾病的样本数也互有差异，这种数据类别的不平衡性很容易导致训练出的网络过拟合，使其难应用于实际。因此在不改变数据标签类别的前提下增加样本可以有效地减轻过拟合，增加网络的抗干扰能力。心电图90％以上的能量集中于0.5～35hz之间，这部分能量包含了最主要的诊断信息。心电图的干扰有以下3种：工频干扰，一般是50hz或60hz；肌电干扰，一般在30～300hz；基线漂移，频率段一般小于0.5hz。因此，在本发明中，可对数据采取以下方法扩充样本数：获取心电波形数据之后，还包括数据预处理步骤，该步骤包括：1)针对所述心电波形数据进行上限截止频率为35hz的低通滤波处理；和/或，2)对使用下限截止频率为0.5hz的高通滤波处理。在进行所述数据预处理时还包括对心电信号进行小波分解。由于第3到第8层细节项的频率在0.7～45hz，与有用信号的频率范围(0.5～45hz)基本一致，因此重构保留下来的第3到第8层细节项，得到去噪后的心电信号。
[0033]
另外，在一些实施例中，在进行所述数据预处理时，还包括根据r波位置对心电信号进行分割。具体地，小尺度心拍和包含rr间期的大尺度心拍可以更好区分不同种类心律失常。根据r波位置对心电信号进行分割。依据每次心跳所需时间，将小尺度心拍的长度设置为300个采样点，取r波之前的99个采样点和r波之后的200个采样点。为了包含rr间期即心电信号相邻r波之间的时间，将大尺度心拍的长度设置为550个采样点，取r波之前的224个采样点和r波之后的325个采样点。
[0034]
再者，在进行特征向量化时，采用全局池化方式和/或采用lstm循环神经网络。其中，全局池化方式是将每个特征图池化为一个值，特征图的数量即为特征向量的长度。在本发明中将常规的全局平均池化替换为全局最大池化，可以增强网络对异常响应的敏感度。当数据其中一帧在池化数值较大时即可认为数据有病变或是异常，从而比平均池化更大程度地影响到整个数据的分类判别；而lstm循环神经网络，则用于处理时间序列或自然语言。循环层结构作为网络输出层的一部分可以处理数据的时间持续关系；卷积结构能够提取数
据的结构特征，二者相结合可具有更进一步的优势。
[0035]
所述分类器在进行预先训练时，可采用常规的机器学习算法进行训练，其步骤具体可包括：根据过往真实的心电波形数据的p波、qrs波群和或t波的幅值特征，获取初始样本集，并根据不同的特征划分多个样本子集；针对不同的样本子集，随机抽取若干样本分别生成训练集和测试集；构建线性分类器，并通过所述训练集对所述线性分类器进行训练。
[0036]
上文中所描述的方法的各种具体实施例，包括各种软件模块，都可以在所述计算机可读存储介质上实现。
[0037]
以上，本文描述了各种操作或功能，其可以被作为软件代码或指令实现或定义为软件代码或指令。这样的内容可以是可直接执行的(“对象”或“可执行”形式)源代码或差分代码(“增量”或“补丁”代码)。本文所述的实施例的软件实现可以经由其中存储有代码或指令的制品或者经由操作通信接口以经由通信接口发送数据的方法来提供。机器或计算机可读存储介质可以使机器执行所描述的功能或操作，并且包括以可由机器(例如，计算设备、电子系统等等)访问的形式存储信息的任何机制，诸如可记录/不可记录介质(例如，只读存储器(rom)、随机存取存储器(ram)、磁盘存储介质、光存储介质、闪存设备、等等)。通信接口包括接合到硬连线、无线、光学等介质中的任何一个以与另一设备通信的任何机制，诸如存储器总线接口、处理器总线接口、互联网连接、磁盘控制器等。可以通过提供配置参数和/或发送信号来将通信接口配置成将该通信接口准备好以提供描述软件内容的数据信号。可以经由发送到通信接口的一个或更多个命令或信号来访问通信接口。
[0038]
本发明还涉及一种用于执行本文的操作的系统。该系统可以是为了所需目的而特别构造的，或者该系统可以包括由存储在计算机中的计算机程序选择性地激活或重新配置的通用计算机。这样的计算机程序可以存储在计算机可读存储介质中，所述计算机可读存储介质诸如但并不限于包括软盘、光盘、cdrom、磁光盘等任何类型的盘、只读存储器(rom)、随机存取存储器(ram)、eprom、eeprom、磁卡或光卡、或适于存储电子指令的任何类型的介质，其中每个介质耦合到计算机系统总线。
[0039]
以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。