基于深度卷积神经网络的心电图诊断方法和系统技术方案

本发明专利技术公开了一种基于深度卷积神经网络的心电图诊断方法和系统，该诊断方法包括：对采集到的人体的原始心电图进行预处理，得到若干个预设长度的心跳片段；将心跳片段输入已训练好的深度卷积神经网络模型中，得到各个类别的预测值；记录最大预测值对应的单个心跳的类别以及该心跳与上一次心跳的间隔时间，形成一时间序列；基于预设的临床诊断准则与时间序列的映射关系，对时间序列匹配诊断准则，得到相应的诊断结果。本发明专利技术不再需要对心电图中的任何特征进行提取，从而最大程度上避免因为人工的筛选、处理导致的有效信息丢失和噪声数据的引入等问题，减少由于人为提取特征对于诊断准确度的影响。

Method and system of electrocardiogram diagnosis based on deep convolution neural network

The invention discloses a method and system for ECG diagnosis depth based on convolutional neural network, including the original ECG diagnosis method: the collected body pretreatment, we can get some preset length heartbeat fragment; deep convolutional neural network model trained heart fragment input, prediction of each category the predicted maximum value; recording a single heartbeat corresponding to the category and the heartbeat and a heartbeat interval, the formation of a time series; mapping relation between clinical diagnosis criteria and time series based on preset criteria for diagnosis, time series, diagnosis results are corresponding. The invention no longer needs to extract any features in the ECG, so as to avoid the problem of effective information loss and noise data introduction due to manual screening and processing, and reduce the influence of human extraction features on the accuracy of diagnosis.

【技术实现步骤摘要】
基于深度卷积神经网络的心电图诊断方法和系统
本专利技术属于心电监护和诊断
，具体涉及一种基于深度卷积神经网络的无特征提取心电图诊断方法和系统。
技术介绍
心电图检查是临床上最常用的电生理检查方法之一，它对于心律失常、心肌缺血、心肌肥厚等心血管疾病的诊断具有非常重要的意义。同时由于其简单、方便、无创等特点，在临床上也得到了广泛的应用，特别是针对心律失常的诊断分析具有极其重要且不可替代的价值。心电图的计算机处理和分析技术的发展已经有数十年，该技术的主要目的是对人体的心电数据进行自动的分析和处理，从而给医生提供辅助诊断的判断依据。近年来随着低功耗传感处理技术和无线通信技术的不断发展，心电数据已经可以从越来越轻型便捷的可穿戴医疗设备上进行长时间不间断的获取，而心电数据的采集场景也不再局限于专业的医疗场景。这些新的技术和应用场景的出现，为心电监护和诊断日常化家庭化提供了基础，然而这些技术的大量应用也必然导致海量的心电数据需要进行分析、处理和解读。因此高性能、高准确率、高适应性的心电图自动分析技术可以说是实现心电监护和诊断大面积应用的关键技术。现有的心电图自动分析技术主要包括了心电信号预处理、特征提取、分类识别等方面。然而由于现有的心电图自动诊断技术的准确率还有待提高，因此还难以广泛的应用于临床。现有技术方案的思路主要是通过将人类判别心电图的分析方法转换成计算机中的分析方法，进而达到替代人类判读心电图的目的。在长达数十年的心电自动分析研究当中，心电图的预处理和特征提取是属于主要的研究热点。预处理主要指的是对心电数据进行滤波降噪、消除伪差，从而提高信号的信噪比，以便将更“干净”的信号进行特征提取。心电数据的特征提取主要包含了从时域、频域、变换域(如小波变换等)、时频联合分析等方法，其目的是从原始的心电图中提取出符合人类经验的各个波段特征以及特征之间的相对关系等。在提取了心电数据的特征后，对心电的这些特征进行分类和识别主要是通过决策树、经验规则、神经网络、支持向量机等分类方法进行。现有技术的主要问题在于，人为的进行数据的预处理、特征提取、分类规则制定实质上造成了信息量的丢失，并不是最适合计算机进行分析的方法。在现有的技术中虽然采用了符合人类诊断心电图的标准做法，但是必然会引入人为的干扰和噪声。例如在进行数据预处理的时候，虽然人为的将一些噪声消除了，但是同时也可能将心电图中某些有用的频段过滤掉了。例如在特征提取的过程中，虽然提取出了对于人类敏感的特征信息，可以用于进行诊断和判断，但从原始心电提取成特征向量的过程中有也有大量的原始特征被忽略了。因此目前在现有技术的框架下，心电图自动分析的准确率仍然难以达到较高的水平，例如针对心律失常中室性早搏(VEB)检测的敏感度和阳性预测值基本上在90％，而针对室上性早搏(SVEB)检测的敏感度仅有约80％。在这样的准确性的情况下，心电数据的自动分析结果仍然需要依靠大量的人力进行筛选和解读，并不能实际解决大规模应用的问题。
技术实现思路
(一)专利技术目的本专利技术的目的是提供一种基于深度卷积神经网络的无需进行特征提取的心电图诊断方法和系统。(二)技术方案为解决上述问题，本专利技术的第一方面提供了一种基于深度卷积神经网络的心电图诊断方法，包括：对采集到的人体的原始心电图进行预处理，得到若干个预设长度的心跳片段；将心跳片段输入已训练好的深度卷积神经网络模型中，得到各个类别的预测值；记录最大预测值对应的单个心跳的类别以及该心跳与上一次心跳的间隔时间，形成一时间序列；基于预设的临床诊断准则与时间序列的映射关系，对时间序列匹配诊断准则，得到相应的诊断结果。进一步，对原始心电图进行预处理的步骤包括：对原始心电图进行滤波处理，得到滤波后心电图；识别滤波后心电图中的R波位置，并以R波位置为中心，且在中心的前后各取预定长度的心电图波形进行裁剪，得到单个R波对应的心电图片段；优选地，对原始心电图进行预处理的步骤还包括：采用大于第一采样率的第二采样率对每个心电图片段进行采样，得到若干个预设长度的心跳片段，第一采样率为原始心电图的采样率。进一步，第一采样率大于或等于128Hz；优选地，第二采样率为512Hz。进一步，按照如下方法获取深度卷积神经网络模型：设计多组深度卷积神经网络的结构参数，结构参数包括层权重和层参数；确定样本数据集和测试数据集；采用样本数据集对多组深度卷积神经网络进行学习训练，得到多组学习训练结果；基于多组学习训练结果计算得到多组误差值；当多组误差值大于或等于设定的误差门限值时，采用后向传播反馈方法对结构参数进行优化，得到多组符合条件的目标深度卷积神经网络；采用测试样本对各个目标深度卷积神经网络进行测试，得到多个准确性测试值；对多个准确性测试值进行由高到低的排名，并选取排名结果中前50％的目标深度卷积神经网络进行下一轮学习训练，直至只剩下一个目标深度卷积神经网络，将其作为深度卷积神经网络模型。进一步，设计深度卷积神经网络模型的结构的步骤包括：确定深度卷积神经网络模型的输入层结构；确定深度卷积神经网络模型的隐藏层结构；优选的是输入层结构包括卷积层；更为优选的是输入层的长度为心跳片段的预设长度；优选的是隐藏层结构包括依次设置的卷积层、池化层、卷积层、池化层、全连接层、神经元丢弃层、全连接层和神经元丢弃层。进一步，深度卷积神经网络模型的输入层的卷积层包括一激活函数和32个卷积神经元，卷积宽度为8；深度卷积神经网络模型的隐藏层的每一卷积层包括一激活函数和32个卷积神经元，卷积宽度为8，池化层的池化系数为8；深度卷积神经网络模型的隐藏层的每一全连接层包括80个神经元和一激活函数，每一神经元丢弃层的丢弃概率为0.2。进一步，每次在进行下一轮学习训练时，包括：分别调整训练数据集与测试数据集在训练数据库中的比例以减少训练样本的数量，并增大测试样本的数量。进一步，分别调整训练数据集与测试数据集在训练数据库中的比例的步骤具体按照以下方法执行：判断训练数据集在数据库中所占的比例是否大于测试数据集在训练数据库中所占的比例；若是，则将测试数据集中的数据数量增加一倍作为用于下一轮学习训练的新测试集，且将1减去训练数据集在整个数据集中所占的比例得到的比例值作为用于下一轮学习训练的新训练数据集在训练数据库中的占比；否则，将训练数据集中的数据数量增加一倍作为用于下一轮学习训练的新训练数据集，且将1减去测试数据集在整个数据集中所占的比例得到的比例值作为用于下一轮学习训练的新测试数据集在训练数据库中的占比。进一步，训练数据库中的数据包括不同的导联数据和/或不同数据库中的数据进行混合后的数据。进一步，诊断方法还包括：对权重和参数进行再次优化；其中，对权重和参数进行再次优化的步骤包括：采用新的训练数据对深度卷积神经网络模型中希望加强识别能力的层的权重和参数进行训练，并将除希望加强识别能力的层之外的其它层的权重和参数进行冻结。进一步，还包括：记录单个样本心跳片段的分类输出结果中的最大值对应的类别以及与上一次心跳的间隔时间，得到心跳时间序列；基于心跳时间序列与预设的医学判断准则，形成心跳时间序列和诊断结果的映射，用于对输入深度卷积神经网络模型中的心跳片段进行诊断得到诊断结果。根据本专利技术的另一个方面，提供了一种基于深度卷积神经网络的心电图本文档来自技高网...

【技术保护点】
一种基于深度卷积神经网络的心电图诊断方法，其特征在于，包括：对采集到的人体的原始心电图进行预处理，得到若干个预设长度的心跳片段；将所述心跳片段输入已训练好的深度卷积神经网络模型中，得到各个类别的预测值；记录最大预测值对应的单个心跳的类别以及该心跳与上一次心跳的间隔时间，形成一时间序列；基于预设的临床诊断准则与时间序列的映射关系，对所述时间序列匹配诊断准则，得到相应的诊断结果。

【技术特征摘要】
1.一种基于深度卷积神经网络的心电图诊断方法，其特征在于，包括：对采集到的人体的原始心电图进行预处理，得到若干个预设长度的心跳片段；将所述心跳片段输入已训练好的深度卷积神经网络模型中，得到各个类别的预测值；记录最大预测值对应的单个心跳的类别以及该心跳与上一次心跳的间隔时间，形成一时间序列；基于预设的临床诊断准则与时间序列的映射关系，对所述时间序列匹配诊断准则，得到相应的诊断结果。2.根据权利要求1所述的心电图诊断方法，其特征在于，对所述原始心电图进行预处理的步骤包括：对所述原始心电图进行滤波处理，得到滤波后心电图；识别所述滤波后心电图中的R波位置，并以所述R波位置为中心，且在所述中心的前后各取预定长度的心电图波形进行裁剪，得到单个R波对应的心电图片段；优选地，对所述原始心电图进行预处理的步骤还包括：采用大于所述第一采样率的第二采样率对每个所述心电图片段进行采样，得到若干个预设长度的心跳片段，所述第一采样率为所述原始心电图的采样率。3.根据权利要求1-2任一项所述的心电图诊断方法，其特征在于，按照如下方法获取所述深度卷积神经网络模型：设计多组深度卷积神经网络的结构参数，所述结构参数包括层权重和层参数；确定样本数据集和测试数据集；采用所述样本数据集对所述多组深度卷积神经网络进行学习训练，得到多组学习训练结果；基于所述多组学习训练结果计算得到多组误差值；当所述多组误差值大于或等于设定的误差门限值时，采用后向传播反馈方法对所述结构参数进行优化，得到多组符合条件的目标深度卷积神经网络；采用测试样本对各个目标深度卷积神经网络进行测试，得到多个准确性测试值；对所述多个准确性测试值进行由高到低的排名，并选取排名结果中前50％的目标深度卷积神经网络进行下一轮学习训练，直至只剩下一个目标深度卷积神经网络，将其作为深度卷积神经网络模型。4.根据权利要求3所述的心电图诊断方法，其特征在于，设计深度卷积神经网络模型的结构的步骤包括：确定所述深度卷积神经网络模型的输入层结构；确定所述深度卷积神经网络模型的隐藏层结构；优选的是所述输入层结构包括卷积层；更为优选的是所述输入层的长度为所述心跳片段的预设长度；优选的是所述隐藏层结构包括依次设置的卷积层、池化层、卷积层、池化层、全连接层、神经元丢弃层、全连接层和神经元丢弃层。5.根据权利要求4所述的心电图诊断方法，其特征在于：所述深度卷积神经网络模型的输入层的卷积层包括一激活函数和32个卷积神经元，卷积宽度为8；所述深度卷积神经网络模型的隐藏层的每...

【专利技术属性】
技术研发人员：陈旻，
申请(专利权)人：成都比特律动科技有限责任公司，
类型：发明
国别省市：四川,51