一种基于无监督学习的心电向量重建方法技术

一种基于无监督学习的心电向量重建方法，通过使用神经网络，对输入的标准12导联心电图进行了心电向量的重建。在训练过程中，使用了先将标准12导联映射到心电向量，然后再使用投影方法，对12导联心电进行还原的方法，解决了传统方法依赖12导联和心电向量的对应数据的问题，明显提高了数据的利用效率降低了数据成本。在重建时使用神经网络重新计算投影向量来进行心电向量到12导联心电图的重建，并且在最终的损失计算模块中使用了正则化项约束投影向量，在解决了心电图的个体化差异的同时保证了重建过程的可解释性以及准确性。在最终的损失计算模块，使用了多阶差分损失，在保证了形态特征的基础上避免了低频的例如基线干扰等问题。问题。

【技术实现步骤摘要】
一种基于无监督学习的心电向量重建方法


[0001]本专利技术涉及心电信号处理
，具体涉及一种基于无监督学习的心电向量重建方法。

技术介绍

[0002]心电图从1885年被专利技术出来到现在已经走过一百多年的历史，在由各种不同导联组成的心电图中，常规12导联心电图在当今的应用最为广泛。
[0003]心电向量图是心脏除极形成的空间心电向量环，三维心电向量环被称为三维心电向量。三维心电向量向额面、横面以及侧面的投影所生成的图形被称为平面心电向量图。当前医学界已经形成共识，心电向量图对心室肥大、束支传导阻滞、心肌梗塞、预激综合征等的诊断均优于心电图，但是对于心律失常的诊断心电图有明显优势，两者需要互相结合。
[0004]但是当前各级医疗机构心电向量图机的保有量低，能够同时采集心电向量图与十二导联心电图的设备价格高昂。使用12导联心电图对心电向量进行精细化重建，对于心电向量在当前心电诊断领域的普及以及提高心电诊断准确度显得尤为重要。
[0005]现如今已经有了很多使用常规12导联心电图重建心电向量的方法。其方法主要包含以下两种：1.通过心电向量与导联的投影关系来设计投影矩阵，并使用投影矩阵对心电向量进行重建；2.使用12导联心电图与心电向量图同步采集出的混合心电图作为监督训练数据，训练神经网络进行心电向量的重建。但其皆存在诸多问题。
[0006]通过心电向量与导联的投影关系来设计投影矩阵的重建方法：实际情况中，受制于不同人的体态差异，心电导联线在被测者体表安置时，相较于标准的安置方法存在位置偏差，采集出来的12导联心电图虽然不影响最终的诊断，但会对心电向量图的重建产生比较大的误差，对于最终的诊断造成影响。且由于心电图的采集会存在各种基线漂移等干扰问题，这些干扰在12导联心电图的判读中很容易被医师忽略，但是依照投影矩阵重建出的心电图往往会出现比较明显的电轴偏移等等问题，对实际的判读产生不可忽视的影响。
[0007]使用12导联心电图与心电向量图同步采集出的混合心电图作为监督训练数据，训练神经网络进行心电向量的重建的方法：这种数据对采集设备的要求较高，实际临床数据中数据成本也较高，且由于采集出的心电向量图与12导联心电图都存在有各种基线漂移等等干扰，要想使得神经网络有过滤干扰的能力，需要超大规模的数据集。并且由于，基于神经网络对心电向量进行重建的方法皆没有考虑针对干扰进行建模，此种方法即使在混合心电图中的拟合效果也并不理想。本身拟合能力的欠缺、数据的干扰加上数据成本的高昂，当前使用监督学习方法训练神经网络进行心电向量重建，效果不理想。
[0008]以上两种方法的都会对心电采集的噪声敏感，虽然在预处理过程中可以采用滤波等等信号处理手段对心电图进行预处理来减低干扰的影响，但是心电滤波算法会或多或少的影响心电图的形态特征，比如说肌电滤波算法就会对小q波以及QRS波群的切迹的形态产生较大影响，综合以上两种方法的各种不足之处，如何能只使用无标注的12导联心电图这种低成本数据，设计实现精细重建心电向量图的方法，显得尤为重要。

技术实现思路

[0009]本专利技术为了克服以上技术的不足，提供了一种使用标准12导联心电数据，通过无监督学习对心电向量精细重建模型进行训练的方法。
[0010]本专利技术克服其技术问题所采用的技术方案是：
[0011]一种基于无监督学习的心电向量重建方法，包括如下步骤：
[0012]a)获取完整的标准12导联的心电图数据，通过预处理模块后将其表示为张量D，张量D的维度为(b,l,12)，其中b为心电图的个数，l为心电图数据的长度，12为依照导联顺序进行排列的12个导联；
[0013]b)将张量D输入到向量重建神经网络中，获取向量重建神经网络的结果表示为张量V，张量V的维度为(b,l,3)，其中3为心电向量的三维坐标；
[0014]c)将张量D输入到投影向量计算网络中，获取投影向量计算网络的结果表示为张量B，张量B的维度为(b,12,3)；
[0015]d)将张量V与张量B输入到心电重建模块，获取重建后的12导联心电图，将重建后的12导联心电图表示为张量D
′
；
[0016]e)将张量D
′
、张量D、张量B、向量重建网络的参数、投影向量计算网络的参数以及心电重建模块中的参数输入到损失计算模块，得到损失数值loss；
[0017]f)使用优化算法，根据损失数值loss优化向量重建神经网络、心电重建模块以及投影向量计算网络中的参数；
[0018]g)重复执行步骤a)至步骤f)，直至损失数值loss达到设计目标；
[0019]h)预处理模块与向量重建神经网络为最终的心电向量精细重建模型；
[0020]i)获取需要进行向量重建的标准12导联的心电图数据，通过预处理模块后将其表示为张量D，张量D的维度为(b,l,12)；
[0021]j)将步骤i)中的张量D输入到步骤h)中的心电向量精细重建模型中，获取向量重建神经网络的结果，表示为张量V，张量V的维度为(b,l,3)，该张量V即为重建好的心电向量，将该向量输出给用户。
[0022]进一步的，步骤a)中心电图数据经预处理模块处理包括滤波处理、采样率归一化处理及波形归一化处理。
[0023]进一步的，步骤b)中向量重建神经网络将输入的维度为(b,l,12)的张量D映射为维度为(b,l,3)的张量V。
[0024]进一步的，步骤c)中投影向量计算网络将输入的维度为(b,l,12)的张量D映射为维度为(b,12,3)的张量B。
[0025]进一步的，步骤d)中利用心电重建模块的处理步骤为：
[0026]d-1)获取张量V与张量B；
[0027]d-2)心电向量中心偏置系数为bias，bias的维度为(1,1,3)；
[0028]d-3)通过公式D
′
＝(V-bias)
×
B
T
计算得到张量D
′
，T为转置。
[0029]进一步的，步骤e)中损失计算模块的处理步骤为：
[0030]e-1)获取张量D
′
、张量D、张量B；
[0031]e-2)获取向量重建网络、投影向量计算网络的参数及心电重建模块的参数，该参数的正则化损失表示为R；
[0032]e-3)定义不可训练的参数张量为G，张量G的维度为(1,12,3)，通过公式计算张量G的每个值，式中为第i个导联的标准投影向量与三维空间中第j维的坐标轴的正方向的夹角，标准投影向量使用Burger的矫正的额面和横面12导联体系或使用标准的未经矫正的导联额面和横面12导联体系；
[0033]e-4)通过公式计算得到最终的损失数值loss，式中为多阶差分重建损失项，Diff1(D
′
,k)为对输入张量D
′
的第1个维度作k阶差分计算，Diff1(D,k)为对对输入张量D的第1个维度作k本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无监督学习的心电向量重建方法，其特征在于，包括如下步骤：a)获取完整的标准12导联的心电图数据，通过预处理模块后将其表示为张量D，张量D的维度为(b,l,12)，其中b为心电图的个数，l为心电图数据的长度，12为依照导联顺序进行排列的12个导联；b)将张量D输入到向量重建神经网络中，获取向量重建神经网络的结果表示为张量V，张量V的维度为(b,l,3)，其中3为心电向量的三维坐标；c)将张量D输入到投影向量计算网络中，获取投影向量计算网络的结果表示为张量B，张量B的维度为(b,12,3)；d)将张量V与张量B输入到心电重建模块，获取重建后的12导联心电图，将重建后的12导联心电图表示为张量D
′
；e)将张量D
′
、张量D、张量B、向量重建网络的参数、投影向量计算网络的参数以及心电重建模块中的参数输入到损失计算模块，得到损失数值loss；f)使用优化算法，根据损失数值loss优化向量重建神经网络、心电重建模块以及投影向量计算网络中的参数；g)重复执行步骤a)至步骤f)，直至损失数值loss达到设计目标；h)预处理模块与向量重建神经网络为最终的心电向量精细重建模型；i)获取需要进行向量重建的标准12导联的心电图数据，通过预处理模块后将其表示为张量D，张量D的维度为(b,l,12)；j)将步骤i)中的张量D输入到步骤h)中的心电向量精细重建模型中，获取向量重建神经网络的结果，表示为张量V，张量V的维度为(b,l,3)，该张量V即为重建好的心电向量，将该向量输出给用户。2.根据权利要求1所述的基于无监督学习的心电向量重建方法，其特征在于：步骤a)中心电图数据经预处理模块处理包括滤波处理、采样率归一化处理及波形归一化处理。3.根据权利要求1所述的基于无监督学习的心电向量重建方法，其特征在于：步骤b)中向量重建神经网络将输入的维度为(b,l,12)的张量D映射为维度为(b,l,3)的张...

【专利技术属性】
技术研发人员：张伯政，吴军，高希余，樊昭磊，何彬彬，
申请(专利权)人：山东众阳健康科技集团有限公司，
类型：发明
国别省市：