一种融合心脏动力学模型和对抗生成网络的心电异常分类方法

1.本发明涉及心电异常分类技术领域，更具体地涉及一种融合心脏动力学模型和对抗生成网络的心电异常分类方法。


背景技术：

2.心电图(ecg,electrocardiogram)是一种非侵入性的生命体征检测手段，被心脏病学家广泛用于监测心脏健康。心血管疾病是全球约三分之一死亡的原因，其中心律的异常是判断疾病的重要参考因素。因此，使用心电图测量来检测这些异常情况，对于管理带有异常风险的病人具有重要意义。
3.然而，日常中心电图的识别主要依赖于专业医生的经验判断。该工作耗时费力，在长时间的工作中难免容易出现纰漏。随着机器学习和深度学习等人工智能技术的发展，为提高心电图的分类识别效率，使用人工智能技术对心电图进行自动分类诊断成为该研究领域的热点之一。目前，在大多数需要数据分析和计算的场景中深度学习的表现已超越人类水平，越来越多的机械式任务开始被人工智能技术替代。因此从低成本、高性能和高性价比的角度出发考虑，利用深度学习模型对心电图数据进行特征学习，从而实现对心电异常的准确判断和自动分类，有利于解决传统心电分类任务中的效率低，精确度不高，实时性差等问题。
4.深度学习模型一般默认训练数据的类型应符合一种相对均衡的分布，所以相对均衡的心电类型数据有利于分类模型获得更好的性能表现。但在实际场景中，由于异常类心电数据收集困难，异常类心电数据和正常类心电数据存在不平衡分布的状况，难以满足理想深度学习模型的数据分布要求。另一方面，要使深度学习模型成功完成训练任务，需要大量带有标注的数据，人工标注心电数据的效率低，而且对标注人的专业素质的要求高，所以获取大量标注数据需付出高昂成本。
5.生成对抗网络(gan,generative adversarial networks)是一种无监督学习算法，能通过学习数据分布的潜在表征，生成符合该数据相似分布的新数据。在目前的人工智能技术领域中，生成对抗网络已经被应用于诸多任务，例如图像生成。因此，通过在分类模型的训练集中添加对抗生成网络合成的心电数据，有助于缓解数据类别的不均衡问题。
6.心脏动力学模型是一种能生成真实的合成心电图信号的方法。该模型可由三个耦合常微分方程的动态模型组成，能够复制许多ecg的重要特征。此外，在人体ecg中观察到的许多形态学变化都是模型几何结构的结果。可以通过选择模型参数以生成pqrst复合波的不同形态。由此建立的模型能够生成具有真实pqrst复合波的形态以及符合心率动力学规定的ecg信号。心脏动力学模型通过特定的心率统计数据进行参数化，例如心率的平均值和标准偏差，以及心率变异性的频域特征。获得真实的ecg为测试多种生物医学信号处理技术提供了基准。虽然该模型主要来源于物理知识具备稳定的理论基础，但表达能力有限。


技术实现要素：

7.为解决现有技术的缺陷问题，本发明提出一种融合心脏动力学模型和对抗生成网络的心电异常分类方法，该方法能够融合心脏动力学和深度学习模型中的生成对抗网络，利用物理参数和实际数据进行驱动，实现出更具表现力的动态系统。
8.为实现上述目的，本发明的技术方案如下；
9.本发明提供一种融合心脏动力学模型和对抗生成网络的心电异常分类方法，其包括如下步骤：
10.s1.心拍数据集的构建和划分，对获取的心电数据库进行心拍数据截取，构建出心拍数据集，在心拍数据集中划分出gan模型的训练集，以及分类模型的训练集和测试集；
11.s2.确定心脏动力学模型的物理参数，在心拍数据集中筛选出每个心拍类别中最具代表性的数据，提取出代表性数据的形态学特征，形态学特征为心拍中的p波、q波、r波、s波、t波在心拍数据中的位置和幅值，通过统计每个心拍类别的代表性数据的形态学特征的平均值，确定出每个心拍类别的心脏动力学模型的物理参数；
12.s3.构建心脏动力学模型的心拍数据，根据物理参数和心脏动力学模型构建出每个心拍类别的心拍数据,作为训练gan模型的数据基础；
13.s4.gan模型的构建和训练，构建gan模型中的生成器模型和判别器模型,用划分好的gan训练数据集和心脏动力学所构建的数据对gan模型进行训练；
14.s5.分类训练集的补充，使用优化后的gan模型生成不均衡类别的数据，将其并入到分类模型的训练数据集；
15.s6.分类模型的构建和训练，实现心电异常分类，构建1d-resnet分类模型,使用分类模型训练集对1d-resnet分类模型进行训练，利用训练好的1d-resnet分类模型对未知类别的心拍数据进行识别和分类。
16.进一步的，上述融合心脏动力学模型和对抗生成网络的心电异常分类方法，所述步骤s1具体步骤为：
17.s11.构建心拍数据集，对心电数据库中患者的心电序列数据进行心拍数据截取处理，将心电序列数据x分割成k段心拍数据，即x＝{xi，i＝1，2，3，...，k}，其中，xj代表心电序列数据x被截取后的第i个心拍数据分段，心拍数据是构成心电序列数据x的基本单位；利用pan-tompkins心电qrs检测算法定位出心拍数据中的qrs波，并通过qrs波中的r峰截取出心拍数据，即可形成心拍数据集，其中心拍数据的截取宽度可以设为m个采样点，m应设置为一个固定值，其取值设置范围可在[216，280]区间，以r峰为基准，截取r峰值前1/3m个采样点和r峰值后2/3m个采样点作为一个心拍数据，每个心拍数据可表示为xi＝{x1，x2，x3，...，xm}，其中xm为第m个采样点的心电幅值；
[0018]
s12.统计心拍数据集中各个类型的心拍数量，甄别出样本量不均衡的心拍类别。
[0019]
s13.在心拍数据集基础上划分出gan模型的训练集以及分类模型的训练集和测试集，其中，以患者为单位对心拍数据集进行划分，一半患者数据作为gan模型的训练集和分类模型的训练集，另一半患者数据作为分类模型的测试集；
[0020]
进一步的，上述融合心脏动力学模型和对抗生成网络的心电异常分类方法，所述步骤s2具体步骤为：
[0021]
s21.将心拍数据集中所有的心拍数据送入1d-resnet分类模型进行训练；
[0022]
s22.1d-resnet分类模型训练完成后，再将心拍数据集中所有的心拍数据送入模型进行测试，在每个心拍类别中，筛选出模型输出概率最高的50个心拍数据，提取其形态学参数，并计算出50个心拍数据的形态学参数的平均值，作为该类别的心脏动力学模型的物理参数。
[0023]
进一步的，上述融合心脏动力学模型和对抗生成网络的心电异常分类方法，步骤s3所述构建心脏动力学模型的心拍数据是：
[0024]
采用每个心拍类别的心脏动力学模型物理参数，输入心脏动力学模型，生成出每个心拍类别的基础心拍数据，作为训练gan模型的数据基础；
[0025]
心脏动力学模型方程如公式(1)所示，
[0026][0027]
其中δθi＝(θ-θi)对2π求余，θ＝atan2(y，x)，ω是轨迹绕极限环移动时的角速度，z-z0表达的是基线漂移，z0的计算方式如公式2所示，
[0028]
z0(t)＝asin(2πf2t)
ꢀꢀ
(2)
[0029]
其中a＝0.15mv。
[0030]
进一步的，上述融合心脏动力学模型和对抗生成网络的心电异常分类方法，所述步骤s4具体步骤为：
[0031]
s41.在gan模型的训练集中提取出特定类别的心拍数据，作为该心拍类别gan模型的训练集；
[0032]
s42.提取出特定类别的心脏动力学模型的心拍数据，作为该心拍类别gan模型的训练基础；
[0033]
s43.构建gan模型中的生成器模型和判别器模型；
[0034]
s44.训练gan模型，通过特定类别的gan模型的训练集，学习该心拍类别的心脏动力学模型的心拍数据与该心拍类别gan模型的训练集的偏差，构建出特定类别的gan模型，能生成出符合该心拍类别数据分布的心拍数据。
[0035]
进一步的，上述融合心脏动力学模型和对抗生成网络的心电异常分类方法，所述生成器模型的结构为：
[0036]
输入一组单位长度为100且满足高斯分布的噪声信号；噪声信号经过六个卷积块和一个卷积层后，再利用reshape函数以单位长度为216将卷积层的输出展平，即可得到生成器模型的输出。
[0037]
进一步的，上述融合心脏动力学模型和对抗生成网络的心电异常分类方法，所述步骤s4所述判别器模型的结构为：
[0038]
输入一组需判别的心拍数据；输入数据经过一个一维卷积层、一个leakyrelu函数、四个卷积块和一个一维卷积层后，使用sigmoid函数对输出进行激活，判断该组心拍数据是训练数据还是合成数据。
[0039]
进一步的，上述融合心脏动力学模型和对抗生成网络的心电异常分类方法，所述步骤s5具体步骤为：
[0040]
s51.通过构建好特定类别的gan模型，对心拍数据集中样本量不均衡的心拍类别的数据进行心拍数据生成；
[0041]
s52.将生成好的不均衡的心拍数据并入分类模型的训练集，构建出分类数据集。
[0042]
进一步的，上述融合心脏动力学模型和对抗生成网络的心电异常分类方法，所述步骤s6具体步骤为：
[0043]
s61.构建1d-resnet分类模型；
[0044]
s62.使用分类模型的训练集，对1d-resnet分类模型进行训练，优化1d-resnet分类模型的网络参数；
[0045]
s63.使用分类模型的测试集，对完成训练的1d-resnet分类模型进行测试，验证模型的分类性能；
[0046]
s64.利用完成训练和测试的1d-resnet分类模型对未知类别的心拍数据进行识别和分类。
[0047]
进一步的，上述融合心脏动力学模型和对抗生成网络的心电异常分类方法，所述1d-resnet模型的结构为：
[0048]
输入一组待判别的心拍数据；输入数据经过一个卷积层后进行批量标准化、再经过五个残差块、一个全连接层、relu激活和一个全连接层，最后使用sigmoid函数对输出进行激活，输出该组心拍数据的分类结果。
[0049]
与现有技术相比，本发明一种融合心脏动力学模型和对抗生成网络的心电异常分类方法具有如下优点及有益效果：
[0050]
1、目前，gan模型的训练验证依赖于训练的数据，而本发明所提出方法的gan模型能在心脏动力学模型的基础上学习真实数据的分布，有利于减少gan模型对数据的依赖，提高模型的稳定性。
[0051]
2、目前，心脏动力学模型需要人工输入物理参数，依赖于专家知识，而且由于该模型输入的是固定的物理参数，而本发明所提出方法通过数据和分类模型进行数据分析，从而确定出心脏动力学模型的物理参数，一定程度上减少了聘请专家的成本，同时在实际数据上进行分析的结果更具真实性。
[0052]
3、目前，心脏动力学模型所生成的心拍数据存在缺乏表现力的问题，而本发明所提出方法通过心脏动力学与gan模型的结合，大大提高了心脏动力学模型生成心拍数据的表现力，同时在心脏动力学的基础上训练gan模型能有效减少gan模型的训练时间，提升gan模型的训练效率。
[0053]
4、对于数据量较少的心电类别，本发明模型中的gan能够合成足够多的数据，以满足后续训练深度学习分类模型对数据分布的需求，进而提升分类模型的总体性能。本发明方法解决了现有的心电分类任务中因数据不均衡导致的分类的效率不高和准确率不高的问题。
附图说明
[0054]
图1为本发明融合心脏动力学模型和对抗生成网络的心电异常分类方法流程框图。
[0055]
图2为本发明gan所使用生成器模型的结构。
[0056]
图3为本发明gan所使用判别器模型的结构。
[0057]
图4为本发明gan训练过程示意图。
[0058]
图5为本发明所使用的1d-resnet模型结构。
具体实施方式
[0059]
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
[0060]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
[0061]
在本说明书中，对某些术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、步骤、方法或者特点可以在任一个或多个实施例或示例中以合适的方式结合。
[0062]
下面是对本发明的技术方案中一些专业名称做进一步的说明。
[0063]
resnet：深度残差网络(resnet,deep residual network)是在卷积神经网络(cnn,convolutional neural network)的基础上引入了残差网络结构(residual network),该结构在网络传递的基础上添加了一个分支，该分支能将前一层网络的参数通过恒等映射传递到后一层网络，这种方式在网络深度加深后能防止训练误差的增加。
[0064]
1d-resnet：一维深度残差网络(1d-resnet,one dimension-deep residual network)分类模型是输入为一维信号的resnet。
[0065]
pqrst复合波：pqrst复合波是心脏活动信息的代表，在实际情景中，一般心脏活动包括四个动作，其分别为心房去极化、心房复极化、心室去极化和心室复极化；p波是心房去极化的表现，带有少量的电量偏移；pq间期代表心房去极化和心室去极化之间的活动；qrs波群代表心室去极化，心房复极化也在该区间但会被心室去极化覆盖；qt间期代表心室去极化和心室复极化之间的活动，若qt过长，可能引起室性心动过速，导致心脏性猝死；st间期代表s波结束和t波开始之间的活动，若该区间有明显升高或降低往往与心脏疾病有关；t波是心室复极化的表现，代表准备进入下一心跳周期。
[0066]
relu激活函数，又称线性整流函数(rectified linear unit,relu)指代数学中的斜坡函数，是神经网络里常用的激活函数，有利于解决神经网络中的梯度消失问题，但会存在神经元“死亡”的问题，relu激活函数具体公式为，
[0067][0068]
leakyrelu函数，与relu函数相似，leakyrelu函数提出的目的是解决神经元“死亡”的问题，leakyrelu激活函数具体公式为，
[0069][0070]
sigmoid函数，是一种s形函数，在神经网络中常被用作激活函数，具体公式为，
[0071][0072]
下面结合图1至图5和实施例对本发明的技术方案做进一步的说明。
[0073]
实施例1
[0074]
如图1，本实施例一种融合心脏动力学模型和对抗神经网络的心电异常分类方法，具体包括以下步骤：
[0075]
s1.心拍数据集的构建和划分，对获取的心电数据库进行心拍数据截取，构建出心拍数据集，在心拍数据集中划分出gan模型的训练集，以及分类模型的训练集和测试集；
[0076]
s2.确定心脏动力学模型的物理参数，在心拍数据集中筛选出每个心拍类别中最具代表性的数据，提取出代表性数据的形态学特征，形态学特征为心拍中的p波、q波、r波、s波、t波在心拍数据中的位置和幅值，通过统计每个心拍类别的代表性数据的形态学特征的平均值，确定出每个心拍类别的心脏动力学模型的物理参数；
[0077]
s3.构建心脏动力学模型的心拍数据，根据物理参数和心脏动力学模型构建出每个心拍类别的心拍数据,作为训练gan模型的数据基础；
[0078]
s4.gan模型的构建和训练，构建gan模型中的生成器模型和判别器模型,用划分好的gan训练数据集和心脏动力学所构建的数据对gan模型进行训练；
[0079]
s5.分类训练集的补充，使用优化后的gan模型生成不均衡类别的数据，将其并入到分类模型的训练数据集；
[0080]
s6.分类模型的构建和训练，实现心电异常分类，构建1d-resnet分类模型,使用分类模型训练集对1d-resnet分类模型进行训练，利用训练好的1d-resnet分类模型对未知类别的心拍数据进行识别和分类。
[0081]
实施例2
[0082]
结合图2、图3和图4，本实施例提供的一种融合心脏动力学模型和对抗生成网络的心电异常分类方法是在实施例1的基础上提供步骤s4如下详细步骤：
[0083]
s41.在gan模型的训练集中提取出特定类别的心拍数据，作为该心拍类别gan模型的训练集；
[0084]
s42.提取出特定类别的心脏动力学模型的心拍数据,作为该心拍类别gan模型的训练基础；
[0085]
s43.构建gan模型中的生成器模型和判别器模型；
[0086]
s431.参阅图2，搭建gan模型中生成器模型结构，输入一组单位长度为100且满足高斯分布的噪声信号；噪声信号经过六个卷积块和一个卷积层后，再利用reshape函数以单位长度为216将卷积层的输出展平，即可得到生成器模型的输出。
[0087]
其中，卷积块由一维卷积层、批量标准化和relu激活函数三部分组成。生成器模型的七个卷积层中，输入信号的形状参数(in_channels)分别为：100、64
×
32、64
×
16、64
×
8、64
×
4、64
×
2、64；卷积输出的通道参数(out_channels)分别为：64
×
32、64
×
16、64
×
8、64
×
4、64
×
2、64，1；卷积核的尺寸参数(kernel_size)分别为：4、4、4、3、4、4、4；步长参数(stride)分别为：1、1、2、2、2、2、2；填充参数(padding)分别为0、0、1、1、1、1、1。生成器模型的六个批量标准化层参数分别为：64
×
32、64
×
16、64
×
8、64
×
4、64
×
2、64。
[0088]
s432.参阅图3，搭建判别器模型结构，输入一组需判别的心拍数据；输入数据经过
一个一维卷积层、一个leakyrelu函数、四个卷积块和一个一维卷积层后，使用sigmoid函数对输出进行激活，判断该组心拍数据是训练数据还是合成数据。
[0089]
其中，卷积块由一维卷积层、批量标准化和leakyrelu激活函数三部分组成。判别器模型的六个卷积层中，输入信号的通道参数(in_channels)分别为：1、64、64
×
2、64
×
4、64
×
8、64
×
16；卷积输出的通道参数(out_channels)分别为：64、64
×
2、64
×
4、64
×
8、64
×
16，1；卷积核的尺寸参数(kernel_size)分别为：4、4、4、4、4、4、5；步长参数(stride)均为2；填充参数(padding)分别为1、1、1、1、1、1、0。判别器模型的四个批量标准化层参数分别为：64
×
2、64
×
4、64
×
8、64
×
16。
[0090]
s433.参阅图4，gan训练过程的具体步骤如下：
[0091]
s433-1.第一步，设置训练参数，遍历数据集的次数设置为1000，gan模型训练使用的优化器为adam，其中学习率参数设置为0.0002，指数加权系数设置为(0.5，0.999)；gan模型训练使用损失函数为二值交叉熵损失函数(bceloss)；
[0092]
s433-2.第二步，判别器模型输入训练集数据，将一批次训练数据输入判别器模型，获得该批次训练数据的鉴别结果标签。
[0093]
s433-3.第三步，计算判别器模型对于训练集数据的损失值以及该部分的梯度，将训练数据的鉴别结果标签及其正确标签放入损失函数，得到关于训练数据鉴别结果的损失值。判别器模型使用优化器执行反向传播计算该部分的梯度。
[0094]
s433-4.第四步，生成器模型生成合成数据，将一批次单位长度为100的噪声信号输入进生成器模型，得到该批次的合成数据输出以及标注对应标签。
[0095]
s433-5.第五步，判别器模型输入合成数据，将一批次合成数据输入判别器模型，获得该批次合成数据的鉴别结果。
[0096]
s433-6.第六步，计算判别器模型对于合成数据的损失值以及该部分的梯度，将合成数据的鉴别结果标签及其正确标签放入损失函数，得到关于合成数据鉴别结果的损失值。判别器模型使用优化器执行反向传播计算该部分的梯度。
[0097]
s433-7.第七步，优化判别器模型的网络参数，根据得到的梯度，使用优化器的step函数对判别器模型执行一次参数更新。
[0098]
s433-8.第八步，重复第五步，计算生成器模型对于合成数据的损失值以及该部分的梯度，将合成数据的鉴别结果标签及其正确标签放入损失函数，得到关于合成数据鉴别结果的损失值。判别器模型使用优化器执行反向传播计算该部分的梯度。
[0099]
s433-9.第九步，优化生成器模型的网络参数，根据得到的梯度，使用优化器的step函数对生成器模型执行一次参数更新。
[0100]
s433-10.第十步，重复上述步骤2至步骤9，交叉迭代更新生成器模型和判别器模型的网络参数。其中，在gan训练中要求生成器模型和判别器模型的性能应该相当，两者性能差距不能过于悬殊，这将会与gan的零和博弈核心思想相悖。我们可通过分别设置两个模型参数的更新次数，以避免这种状况的发生，本模型设置的是判别器模型参数每更新1次，生成器模型参数需更新5次。
[0101]
s433-11.第十一步，重复上述步骤10，将数据集遍历预设的次数，即可获得优化后的gan模型，生成出符合实际数据分布的新数据。
[0102]
s44.训练gan模型，通过特定类别的gan模型的训练集,学习该心拍类别的心脏动
力学模型的心拍数据与该心拍类别gan模型的训练集的偏差，构建出特定类别的gan模型，能生成出符合该心拍类别数据分布的心拍数据。
[0103]
实施例3
[0104]
参阅图5，本实施例是在实施例1的基础上提供步骤6的详细步骤：
[0105]
s61.参阅图4，构建搭建1d-resnet分类模型结构，输入一组需判别的心拍数据；输入数据经过一个卷积层后进行批量标准化、再经过五个残差块、一个全连接层、relu激活和一个全连接层，最后使用sigmoid函数对输出进行激活，输出该组心拍数据的分类结果。残差块中输入数据将分为两条支路，一条支路经一个卷积层、一个relu激活函数以及一个卷积层后，与另一条回合并进行累加，最后经过一个relu激活函数和一个池化层后进行输出。
[0106]
其中，分类模型结构的每一个卷积层参数均一致，具体参数设置为：输入通道参数为32，输出通道参数为32，卷积核大小为5，填充参数为2；分类模型结构的第一个全连接参数的输入大小参数设置为32
×
3，输出大小参数设置为32；第二个全连接参数的输入大小参数设置为32，输出大小参数设置为需要识别的心电类型个数。
[0107]
s62.使用分类模型的训练集，对1d-resnet分类模型进行训练，优化1d-resnet分类模型的网络参数；
[0108]
遍历数据集的次数设置为20，分类模型训练使用的优化器为adam，其中学习率参数设置为0.0001；分类模型训练使用损失函数为交叉熵损失函数(crossentropyloss)；将处理好的训练集数据输入到搭建好的1d-resnet分类模型中进行训练，将数据集遍历预设的次数后获取模型的最优参数。
[0109]
s63.使用分类模型的测试集，对完成训练的1d-resnet分类模型进行测试，验证模型的分类性能；
[0110]
保留上述步骤s62取得的最优参数，输入准备好的测试集进行测试，模型对测试集进行自动分类，遍历完测试集后即可获得分类模型的评价指标。
[0111]
s64.利用完成训练和测试的1d-resnet分类模型对未知类别的心拍数据进行识别和分类。
[0112]
此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0113]
值得说明的是，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。