心电数据的检测方法及存储介质技术

本发明专利技术提供一种心电数据的检测方法及存储介质，本发买那个通过将心电数据的时域数据与频域数据进行卷积得到高阶的第一特征图与第二特征图。再将两种特征图进行多标签训练得到多标签分类器，多标签分类器具有高准确率与低假阴性；本发明专利技术将时域和频域的时间序列数据结合可以更好的扩展单个神经网络的泛化能力。

【技术实现步骤摘要】
心电数据的检测方法及存储介质
本专利技术涉及数据处理领域，尤其涉及心电数据的检测方法及存储介质。
技术介绍
我国心血管疾病罹患人数高达2.9亿，死亡率居首位，占居民疾病死亡的40％以上。进而临床上的诊断与治疗就尤为重要。在这个过程中，心电图是一种基本的诊断工具，而计算机辅助诊断在过去的50年间得到了显著的进步，从过去的仅能识别某些特定指标，到现在利用人工智能算法进行智能诊断。但是，这种方法目前仍旧有许多问题，临床上也只是将该方法作为辅助手段，能给到医生的参考建议也有限。1.基于传统方法，通常来说，传统上的自动心率异常识别流程分为以下几个步骤。a)信号识别与基本处理，将病人8导联的电信号转化为数据，再进行降噪等基本处理，同时计算另外4导联的辅助信号，形成传统意义上的12导联ECG数据。b)剔除某些异常值。c)波形识别，如P波、T波、QRS波群。d)量化间期指标与其他指标；e)进行疾病的基本判断；f)结果输出并进行解释。方法局限：准确率不高。2.基于深度学习的人工智能方法：与传统方法相类似，目前利用深度学习算法识别心率异常也能分为以下几个步骤。a)同传统方法，获取12导联ECG信号；b)对数据进行标准化切割，切割一般以固定的时间间隔作为标准，得到固定时间内的ECG数据；c)将整个数据以及数据标签(也就是病人临床上已诊断出的疾病)输入到卷积神经网络中，进行网络训练，最后得到的网络便是成果。d)对于新来的数据，带入网络中，得出计算结果；e)结果输出。方法局限：准确率较高，但还是无法达到人工诊断标准；可解释性差；只能进行单标签的判断，无法判断复合疾病。
技术实现思路
本专利技术提供一种心电数据的检测方法，包括：获取步骤，获取单导联或多导联的第一时间序列的心电数据并制作第一样本；数据转换步骤，将所述第一时间序列的心电数据进行傅里叶变换得到所述第一时间序列的频域数据并制作第二样本；分类步骤，将所述第一样本划分为第一训练样本以及第一测试样本，将所述第二样本划分为第二训练样本以及第二测试样本；训练步骤，将所述第一训练样本、所述第二训练样本及相应的多分类标签输入至多标签分分类网络中训练得到多标签分类器，所述多标签分分类网络包括第一卷积神经网络、第二卷积神经网络以及全连接神经网络，所述第一卷积神经网络用以接受所述第一训练样本并输出第一特征图，所述第二卷积神经网络用以接受所述第二训练样本并输出第二特征图，所述全连接神经网络用以将接受所述第一特征图以及所述第二特征图并训练得到所述多标签分类器。进一步地，所述训练步骤具体包括：第一训练步骤，输入所述第一训练样本以及相应的训练标签，并通过第一卷积神经网络训练得到第一特征图，所述第一特征参数为所述第一卷积神经网络最后一层网络的参数；第二训练步骤，输入所述第二训练样本以及相应的训练标签，并通过第二卷积神经网络训练得到第二特征图，所述第二特征参数为所述第二卷积神经网络最后一层网络的参数；第三训练步骤，输入所述第一特征图、所述第二特征图及多分类标签至全连接神经网络中训练得到所述多标签分类器。进一步地，所述第一训练步骤具体包括：第一初始化步骤，初始化第一卷积神经网络，初始化所有参数w∈W；第一输入步骤，输入第一训练样本a(i)及训练标签至所述第一卷积神经网络得到第一预估结果N为所述第一卷积神经网络的算子；第一计算步骤，计算第一预估结果与实际结果y(i)的差值并计算所有第一训练样本的损失第一更新步骤，对第一卷积神经网络的参数更新,更新公式为α为更新率，更新后的最后一层网络的参数作为所述第一特征图。进一步地，所述第二训练步骤具体包括：第二初始化步骤，初始化第二卷积神经网络，初始化所有参数v∈V；第二输入步骤，输入第二训练样本a(i)及训练标签至所述第二卷积神经网络得到第二预估结果M为所述第二卷积神经网络的算子；第二计算步骤，计算第二预估结果与实际结果x(i)的差值并计算所有第一训练样本的损失第二更新步骤，对第二卷积神经网络的参数更新,更新公式为β为更新率，提取更新后的最后一层网络的参数作为所述第二特征图。进一步地，所述第二训练步骤具体包括：参数合并步骤，将所述第一特征图以及所述第二特征图进行合并得到输入数据；标签排序步骤，对多分类的标签进行随机排序；构建步骤，将多分类标签以及所述输入数据构建二分类数据集；模型构建步骤，输入所述二分类数据集至所述全连接神经网络中训练得到所述多标签分类器。进一步地，所述的心电数据的检测方法还包括：优化步骤，分别将测试样本输入至所述多标签分类器中得到测试结果，根据所述测试结果对所述多标签分类器进行优化，所述测试样本包括所述第一测试样本以及所述第二测试样本。进一步地，所述优化步骤具体包括：输入测试样本步骤，输入X个测试样本至所述初级模型，获取X个预测结果；比对步骤，将所述X个预测结果与所述X个测试样本的X个发电功率比较，统计与所述发电功率差异超过一定阈值的预测结果的个数Y；计算步骤，计算预测的错误率，对模型进行评估，计算Y与测试样本的样本数X的比值。进一步地，所述第一卷积神经网络与所述第二卷积神经网络皆包括：数据输入层，用以接受所有训练样本，并进行归一化处理；卷积层，进行卷积计算，寻找训练样本中的特征；非线性激励层，接受所述卷积层的输出并进行非线性映射；池化层，在每两个卷积层中间加入一个池化层，用于压缩数据和参数的量，减小过拟合；批量归一化层，在卷积神经网络中进行节点数据的归一化，以加速收敛速度；遗忘层，将卷积神经网络的部分参数重新初始化，以提高整个网络的泛化性；全连接层，通过全连接的方式连接所述遗忘层。进一步地，所述多导联包括：3导联或8导联；和/或,所述第一训练样本与所述第一测试样本为8:2；和/或,所述第二训练样本与所述第二测试样本为8:2。本专利技术还提供一种存储介质，该存储介质存储一计算机程序，该计算机程序用以执行所述的心电数据的检测方法。本专利技术的有益效果是：本专利技术通过将心电数据的时域数据与频域数据进行卷积得到高阶的第一特征图与第二特征图。再将两种特征图进行多标签训练得到多标签分类器，多标签分类器具有高准确率与低假阴性；本专利技术将时域和频域的结合可以更好的扩展单个神经网络的泛化能力。附图说明下面结合附图，通过对本专利技术的具体实施方式详细描述，将使本专利技术的技术方案及其它有益效果显而易见。图1为本专利技术提供的心电数据的检测方法的流程图。图2为本专利技术提供的训练步骤的流程图。图3为本专利技术提供的第一训练步骤的流程图。图4为本专利技术提供的第二训练步骤的流程图。图5为本专利技术提供的第三训练步骤的流程图。图6为本专利技术提供的优化步骤的流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。<本文档来自技高网...

【技术保护点】
1.一种心电数据的检测方法，其特征在于，包括：/n获取步骤，获取单导联或多导联的第一时间序列的心电数据并制作第一样本；/n数据转换步骤，将所述第一时间序列的心电数据进行傅里叶变换得到所述第一时间序列的频域数据并制作第二样本；/n分类步骤，将所述第一样本划分为第一训练样本以及第一测试样本，将所述第二样本划分为第二训练样本以及第二测试样本；/n训练步骤，将所述第一训练样本、所述第二训练样本及相应的多分类标签输入至多标签分分类网络中训练得到多标签分类器，所述多标签分分类网络包括第一卷积神经网络、第二卷积神经网络以及全连接神经网络，所述第一卷积神经网络用以接受所述第一训练样本并输出第一特征图，所述第二卷积神经网络用以接受所述第二训练样本并输出第二特征图，所述全连接神经网络用以将接受所述第一特征图以及所述第二特征图并训练得到所述多标签分类器。/n

【技术特征摘要】
1.一种心电数据的检测方法，其特征在于，包括：
获取步骤，获取单导联或多导联的第一时间序列的心电数据并制作第一样本；
数据转换步骤，将所述第一时间序列的心电数据进行傅里叶变换得到所述第一时间序列的频域数据并制作第二样本；
分类步骤，将所述第一样本划分为第一训练样本以及第一测试样本，将所述第二样本划分为第二训练样本以及第二测试样本；
训练步骤，将所述第一训练样本、所述第二训练样本及相应的多分类标签输入至多标签分分类网络中训练得到多标签分类器，所述多标签分分类网络包括第一卷积神经网络、第二卷积神经网络以及全连接神经网络，所述第一卷积神经网络用以接受所述第一训练样本并输出第一特征图，所述第二卷积神经网络用以接受所述第二训练样本并输出第二特征图，所述全连接神经网络用以将接受所述第一特征图以及所述第二特征图并训练得到所述多标签分类器。


2.如权利要求1所述的心电数据的检测方法，其特征在于，
所述训练步骤具体包括：
第一训练步骤，输入所述第一训练样本以及相应的训练标签，并通过第一卷积神经网络训练得到第一特征图，所述第一特征参数为所述第一卷积神经网络最后一层网络的参数；
第二训练步骤，输入所述第二训练样本以及相应的训练标签，并通过第二卷积神经网络训练得到第二特征图，所述第二特征参数为所述第二卷积神经网络最后一层网络的参数；
第三训练步骤，输入所述第一特征图、所述第二特征图及多分类标签至全连接神经网络中训练得到所述多标签分类器。


3.如权利要求2所述的心电数据的检测方法，其特征在于，
所述第一训练步骤具体包括：
第一初始化步骤，初始化第一卷积神经网络，初始化所有参数w∈W；
第一输入步骤，输入第一训练样本a(i)及训练标签至所述第一卷积神经网络得到第一预估结果N为所述第一卷积神经网络的算子；
第一计算步骤，计算第一预估结果与实际结果y(i)的差值并计算所有第一训练样本的损失
第一更新步骤，对第一卷积神经网络的参数更新,更新公式为为更新率，更新后的最后一层网络的参数作为所述第一特征图。


4.如权利要求3所述的心电数据的检测方法，其特征在于，
所述第二训练步骤具体包括：
第二初始化步骤，初始化第二卷积神经网络，初始化所有参数v∈V；
第二输入步骤，输入第二训练样本a(i)及训练标签至所述第二卷积神经网络得到第二预估结果M为所述第二卷积神经网络的算子；
第二计算步骤，计算第二预估结果与实际结果...

【专利技术属性】
技术研发人员：何中煜，林伟，王德来，方乐恒，来俊杰，
申请(专利权)人：何中煜，
类型：发明
国别省市：上海;31