一种基于函数拟合信号的正常与异常心电诊断方法及系统与流程

1.本发明属于心电信号异常检测技术领域，特别是关于一种基于函数拟合信号的正常与异常心电诊断方法及系统。


背景技术：

2.心电图是一项在临床上被广泛使用的检查。它通过记录心脏每一周期的电活动状况，可以帮助诊断心律失常、心肌缺血、心肌梗塞、传导阻滞、房颤、房扑等等一系列的异常情况。目前，心电筛查很大程度受限于能够读懂心电图的心内科医生的数量。因此，开发心电图自动诊断算法尤为重要。
3.传统的基于模式识别对心电正常与异常进行判断的筛查需要算法工程师决定特征，对工程师的数学知识、医学知识都有较高要求。近年来得益于深度学习算法的发展，采用深度学习辅助正常与异常心电筛查得到了广泛的应用。但是，由于异常心电图中包含的异常情况纷繁复杂，常规的机器学习算法以及深度学习算法往往很难找到所有类型的异常心电状况，面对新类型的异常信号时难以做出正确的判断。


技术实现要素：

4.本发明的目的在于提供一种基于函数拟合信号的正常与异常心电诊断方法及系统，其能够解决更多类型的异常心电状况。
5.本发明提供了一种基于函数拟合信号的正常与异常心电诊断方法，包括以下步骤：
6.s1，采集多条处于静息状态下病人的12导联心电信号；
7.s2，对每一条心电信号进行小波函数做滤波去噪声处理，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；若心电信号是异常，则心电标签向量为1，若心电信号正常，则心电标签向量为0；
8.s3，对卷积神经网络模型进行训练，模型输入为12导联心电信号，模型输出为心电标签向量；
9.s4，随机生成模拟心电信号，分别建立函数(1)和函数(2)：
[0010][0011][0012]
分别将函数(1)和函数(2)放入所述s3中训练好的模型中分别得到预测值和预测值
[0013]
s5，求取函数最小值为目标，求得到最优的α0，β0，γ0，δ0的值；求取函数最小值为目标，求得到最优的α1，β1，γ1，δ1的值；
[0014]
s6，获取新的未训练过的临床心电信号，对所述临床心电信号进行如步骤s2一样的预处理操作，得到心电信号ecg
new
，同时随机生成多个随机函数，定义p，q；
[0015]
p为随机函数经过函数得到的模拟信号与心电信号ecg
new
之间的相关性，q为随机函数经过函数得到的模拟信号与心电信号ecg
new
之间的相关性；
[0016]
s7，若|p|》|q|，|p|》0.6，证明ecg
new
为正常心电信号，否则为异常心电信号。
[0017]
优选地，所述s1具体包括：采集20000条处于静息状态下病人的n导联心电信号，采样频率为500hz，每条心电信号的长度为10s，其中10000条为 12导联静息心电异常数据，另10000条为12导联静息心电正常数据，共同组成训练集的数据。
[0018]
优选地，所述s1具体包括：
[0019]
每条心电数据都经过至少两名心内科医生确定标签向量，若是两名心内科医生的意见不一致，则通过第三名心内科医生确定该心电信号的标签向量，对每条心电信号都确定标签向量后，将这些标签向量形成标签集。
[0020]
优选地，所述s3中的卷积神经网络模型具体为：
[0021]
第一卷积层为16个步长为1、大小均为8的一维卷积核，第二卷积层为 32个步长为1、大小均为8的一维卷积核，第三卷积层为64个步长为1、大小均为4的一维卷积核，第四卷积层为128个步长为1、大小均为2的一维卷积核；
[0022]
第一池化层，第二池化层，第三池化层，第四池化层都采用最大池化，核的大小和步长均为2。
[0023]
优选地，所述s3具体包括：
[0024]
将第四池化层输出的结果通过第一层神经元个数为128全连接层，激活函数为relu函数；将第一层的全连接层的输出的结果，输入神经元个数为1 的第二层全连接层，激活函数设定为sigmoid函数，神经网络输出为一个预测心电标签向量。
[0025]
优选地，所述卷积神经网络模型的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。
[0026]
优选地，所述s5中求取函数时采用的算法为遗传算法、随机森林或粒子群算法。
[0027]
本发明还提供了一种基于函数拟合信号的正常与异常心电诊断的系统，所述系统用于实现基于函数拟合信号的正常与异常心电诊断方法的步骤，包括：
[0028]
信号处理模块，用于采集多条处于静息状态下病人的12导联心电信号；对每一条心电信号进行小波函数做滤波去噪声处理，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；若心电信号是异常，则心电标签向量为1，若心电信号正常，则心电标签向量为0；
[0029]
模型训练模块，用于对卷积神经网络模型进行训练，模型输入为12导联心电信号，模型输出为心电标签向量；随机生成模拟心电信号，分别建立函数(1)和函数(2)：
[0030][0031][0032]
分别将函数(1)和函数(2)放入所述s3中训练好的模型中分别得到预测值
和预测值
[0033]
求取函数最小值为目标，求得到最优的α0，β0，γ0，δ0的值；求取函数最小值为目标，求得到最优的α1，β1，γ1，δ1的值；
[0034]
信号判断模块，获取新的未训练过的临床心电信号，对所述临床心电信号进行如步骤s2一样的预处理操作，得到心电信号ecg
new
，同时随机机生成多个随机函数，定义p，q；
[0035]
p为随机函数经过函数得到的模拟信号与心电信号ecg
new
之间的相关性，q为随机函数经过函数得到的模拟信号与心电信号ecg
new
之间的相关性；
[0036]
若|p|》|q|，|p|》0.6，证明ecg
new
为正常心电信号，否则为异常心电信号。
[0037]
本发明还提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现基于函数拟合信号的正常与异常心电诊断方法的步骤。
[0038]
本发明还提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现基于函数拟合信号的正常与异常心电诊断方法的步骤。
[0039]
与现有技术相比，根据本发明的一种基于函数拟合信号的正常与异常心电诊断方法及系统，其中方法包括：采集多条处于静息状态下病人的12导联心电信号、降噪处理，然后将降噪处理后的信号标记正常或异常，以此来训练神经网络模型，然后建立函数并通过训练好的模型来预测，以得到函数。最后通过函数来对临床心电信号进行正常与异常的诊断。该方案通过深度学习获取良好的预测模型的基础上，借助特殊函数实现待判断信号正常与异常心电特征之间的相关性比较。当信号在特殊函数的判断下近似于正常时，才判断为正常心电信号。
附图说明
[0040]
图1为本发明提供的一种基于函数拟合信号的正常与异常心电诊断方法流程图；
[0041]
图2为本发明提供的一种可能的电子设备的硬件结构示意图；
[0042]
图3为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图；
[0043]
图4为本发明提供的心电多标签预测模型流程图。
具体实施方式
[0044]
下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
[0045]
除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。
[0046]
如图1所示，根据本发明优选实施方式的基于函数拟合信号的正常与异常心电诊断方法，包括以下步骤：
[0047]
s1，采集多条处于静息状态下病人的12导联心电信号；
[0048]
s2，对每一条心电信号进行小波函数做滤波去噪声处理，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；若心电信号是异常，则心电标签向量为1，若心电信号正常，则心电标签向量为0；
[0049]
s3，对卷积神经网络模型进行训练，模型输入为12导联心电信号，模型输出为心电标签向量；
[0050]
s4，随机生成模拟心电信号，分别建立函数(1)和函数(2)：
[0051][0052][0053]
分别将函数(1)和函数(2)放入所述s3中训练好的模型中分别得到预测值和预测值
[0054]
s5，求取函数最小值为目标，求得到最优的α0，β0，γ0，δ0的值；求取函数最小值为目标，求得到最优的α1，β1，γ1，δ1的值；
[0055]
s6，获取新的未训练过的临床心电信号，对所述临床心电信号进行如步骤s2一样的预处理操作，得到心电信号ecg
new
，同时随机生成多个随机函数，定义p，q；
[0056]
p为随机函数经过函数得到的模拟信号与心电信号ecg
new
之间的相关性，q为随机函数经过函数得到的模拟信号与心电信号 ecg
new
之间的相关性；
[0057]
s7，若|p|》|q|，|p|》0.6，证明ecg
new
为正常心电信号，否则为异常心电信号。
[0058]
该方案通过深度学习获取良好的预测模型的基础上，借助特殊函数实现待判断信号正常与异常心电特征之间的相关性比较。当信号在特殊函数的判断下近似于正常时，才判断为正常心电信号。
[0059]
在一个具体的实施场景中，步骤1.：采集多条处于静息状态下病人的12 导联心电信号：采集20000条处于静息状态下病人的n导联心电信号，采样频率为500hz，每条心电信号的长度为10s，将这些数据作为数据集。
[0060]
其中10000条12导联静息心电异常数据和10000条12导联静息心电正常数据，共同组成训练集的数据，训练集的标签处理见数据预处理部分。
[0061]
步骤2：数据预处理：首先对每一条心电信号进行预处理，进行小波函数去噪声，其次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，心电数据的形式为(5000，n)形成数据集。
[0062]
每条心电信号即心电数据的标签为[0]或[1]，若心电信号是异常，则心电标签向量为1，若是该心电信号正常，则心电标签向量为0。每条心电数据都经过至少两名专业的心内科医生确定标签向量，若是两名心内科医生的意见不一致，则通过第三名心内科医生确定该心电信号的标签向量。对每条心电信号都确定标签后，将这些标签向量形成标签集。
[0063]
步骤3：训练模型：将收集的12导联心电信号和对应的标签集转化为模型训练的训
练集，对卷积神经网络模型进行训练。其中，基于卷积神经网络模型输入为5000*n的心电信号，网络输出标签向量0或1。
[0064]
神经网络模型可以参考如下：第一卷积层，第一池化层，第二卷积层，第二池化层，第三卷积层，第三池化层，第四卷积层，第四池化层，第一全连接层，第二全连接层。
[0065]
其中，第一卷积层为16个步长为1大小均为8的一维卷积核，第二卷积层为32个步长为1大小均为8的一维卷积核，第三卷积层为64个步长为1 大小均为4的一维卷积核，第四卷积层为128个步长为1大小均为2的一维卷积核。第一池化层，第二池化层，第三池化层，第四池化层都采用最大池化，核的大小和步长均为2；
[0066]
将第四池化层输出的结果通过第一层神经元个数为128全连接层，激活函数为relu函数。将第一层的全连接层的输出的结果，输入神经元个数为1 的第二层全连接层，激活函数设定为sigmoid函数，神经网络输出为一个预测心电标签向量[hw]。对于该神经网络训练算法可以为：随机梯度下降算法、 adam算法、rmsprop算法、adagrad算法、adadelta算法、adamax算法等。如图4所示。
[0067]
步骤4：随机生成a条形式为(5000，n)的信号
[0068]
步骤5：建立函数如下所示：
[0069][0070]
获得模拟心电信号，将模拟心电信号放入步骤3训练好的cnn模型中得到预测值求取函数最小值为目标，使用遗传算法、随机森林、粒子群算法等的方法，求得到最优的α0，β0，γ0，δ0的值。
[0071]
步骤6：随机生成b条形式为(5000，n)的信号
[0072]
步骤7：建立函数如下所示：
[0073][0074]
获得模拟心电信号，将信号放入步骤3训练好的cnn模型中得到预测值求取函数最小值为目标，使用遗传算法、随机森林、粒子群算法等方法，求得到最优的α1，β1，γ1，δ1的值。
[0075]
步骤8：获取新的未训练过的10s临床心电信号，对获取的待检测数据进行如步骤2相同的预处理操作，得到形式为(5000，n)的心电信号ecg
new
，同时随机生成c个随机函数的(5000，n)信号得到p， q。p为随机函数经过函数得到的模拟信号与心电信号ecg
new
之间的相关性，q为随机函数经过函数得到的模拟信号与心电信号 ecg
new
之间的相关性。相关性通过皮尔逊相关系数、互信息系数等方式表达。
[0076]
步骤9：若|p|》|q|，|p|》0.6，证明ecg
new
为正常心电信号，否则为异常心电信号。
[0077]
本发明还提供了一种基于函数拟合信号的正常与异常心电诊断的系统，包括：
[0078]
信号处理模块，用于采集多条处于静息状态下病人的12导联心电信号；对每一条
心电信号进行小波函数做滤波去噪声处理，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；若心电信号是异常，则心电标签向量为1，若心电信号正常，则心电标签向量为0；
[0079]
模型训练模块，用于对卷积神经网络模型进行训练，模型输入为12导联心电信号，模型输出为心电标签向量；随机生成模拟心电信号，分别建立函数(1)和函数(2)：
[0080][0081][0082]
分别将函数(1)和函数(2)放入所述s3中训练好的模型中分别得到预测值和预测值
[0083]
求取函数最小值为目标，求得到最优的α0，β0，γ0，δ0的值；求取函数最小值为目标，求得到最优的α1，β1，γ1，δ1的值；
[0084]
信号判断模块，获取新的未训练过的临床心电信号，对所述临床心电信号进行如步骤s2一样的预处理操作，得到心电信号ecg
new
，同时随机生成多个随机函数，定义p，q；
[0085]
p为随机函数经过函数得到的模拟信号与心电信号ecg
new
之间的相关性，q为随机函数经过函数得到的模拟信号与心电信号ecg
new
之间的相关性；
[0086]
若|p|》|q|，|p|》0.6，证明ecg
new
为正常心电信号，否则为异常心电信号。
[0087]
请参阅图2为本发明实施例提供的电子设备的实施例示意图。如图2所示，本发明实施例提供了一种电子设备，包括存储器1310、处理器1320及存储在存储器1310上并可在处理器1320上运行的计算机程序1311，处理器1320执行计算机程序1311时实现基于函数拟合信号的正常与异常心电诊断方法的步骤 s1～s7。
[0088]
请参阅图3为本发明提供的一种计算机可读存储介质的实施例示意图。如图3所示，本实施例提供了一种计算机可读存储介质1400，其上存储有计算机程序1411，该计算机程序1411被处理器执行时实现基于函数拟合信号的正常与异常心电诊断方法的步骤s1～s7。
[0089]
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。
[0090]
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。
[0091]
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。
[0092]
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。
[0093]
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。