一种基于心电图的心脏疾病判读方法和系统技术方案

本发明专利技术提供一种基于心电图的心脏疾病判读方法和系统，包括：对心电图预处理，统一心电图数据形式；通过基于

【技术实现步骤摘要】
一种基于心电图的心脏疾病判读方法和系统


[0001]本专利技术涉及深度学习
，具体地，涉及一种基于心电图的心脏疾病判读方法和系统
。

技术介绍

[0002]心血管疾病在全球广泛分布，是一种常见的疾病，同时也是主要的导致死亡原因之一
。
心电图作为一个诊断心律失常的工具，是可靠且最常用的
。
所以正确地解读心电图对于心血管疾病的预防以及临床决策起着至关重要的作用
。
[0003]据统计，全球每年的心电图总数超过3亿张，这意味着需要大量的专家去做出正确的判断
。
然而，一个合格的心脏病专家需要超过
12
年的培训
。
专家数量的不足以及专业技能的参差不齐导致相当一部分心电图无法被准确的判读
。
因此，提供了使用计算机作为辅助诊断方法，其使用人工智能算法，通过分析不同种类
12
导联心电图的心律特征，让计算机给出判断结果
。
然而，现有的方法能够判读的心律失常种类较少；其次，现有方法多基于
CNN
方法，技术较为落后
。

技术实现思路

[0004]针对现有技术中的缺陷，本专利技术的目的是提供一种基于心电图的心脏疾病判读方法和系统
。
[0005]根据本专利技术的一个方面，提供一种基于心电图的心脏疾病判读方法，包括：
[0006]对心电图预处理，统一心电图数据形式；
[0007]通过基于
Transformer
的深度学习方法，用所述预处理后的所述心电图数据作为输入，训练模型对所述心电图数据进行分类，获得能够实现多类心律判读的
Transformer
模型；
[0008]使用训练好的所述
Transformer
模型，对待判心电图进行判断，获得心律分类
。
[0009]优选地，所述对心电图预处理，统一心电图数据形式，包括：
[0010]设置采样率为
a
，采样时间为
b
，获得数据总长度为
a
×
b
的向量；
[0011]通过填补操作将所述向量长度增补至预设长度
c
；
[0012]根据心电图的导联数
N
，获得一个
N
×
c
的向量；
[0013]对所述
N
×
c
向量进行标准化操作：计算
N
×
c
向量的平均值和标准差，使用
N
×
c
向量减去平均值，再除以标准差
。
[0014]优选地，所述
Transformer
模型中对输入的心电图数据的处理过程，包括：
[0015]将预处理后的
N
×
c
向量切为
M
个
patch
，切完后的数据为
[0016]通过一个神经元个数为
S
的完全连接层对切完后的数据进行编码，编码后的数据增加一个维度用于分类，数据变为
M+1
维，即
(M+1)
×
S
；
[0017]对数据加入一个位置码，位置码的大小同样为
(M+1)
×
S
；将所述位置码和所述数据进行相加操作，相加之后数据大小保持
(M+1)
×
S
；
[0018]将数据输入连续的多个
Transformer
编码器进行编码，得到一个
S
维的向量；
[0019]将
S
维的向量输入到一个
LayerNorm
层和一个全连接层，输出一个
X
维的向量，即获得
X
类心电图的分类分数，取分数最高类作为心律类型
。
[0020]优选地，所述
Transformer
编码器，包括注意力模块
Attention(
·
)
和前向传播模块
Feedforward(
·
)
，数据
x0首先进入所述注意力模块得到
x1＝
Attention(x0)+x0，然后
x1进入前向传播模块得到
x2＝
Feedforward(x1)+x1；
[0021]其中，所述注意力模块
Attention(
·
)
包括一个
LayerNorm
层和一个多头注意力模块；
[0022]所述前向传播模块
Feedforward(
·
)
包括一个
LayerNorm
层和一个
MLP
模块；所述
LayerNorm
层对数据在维度上做归一化操作，用于防止过拟合；所述多头注意力模块用于关注不同维度语义空间的信息；所以
MLP
模块对输入数据做非线性变换，增强模型的表达能力
。
[0023]优选地，所述
Transformer
模型输出的向量为
34
维，对应
34
种不同心律类型，包括：成对房早，成对室早，窦房阻滞，窦停，房扑，房室传导阻滞，房速，房性逸搏，房早伴差传，房早二联律，缓慢型房颤，室内差传，室速，室性融合波，室性逸搏，室早二联律，室性早搏，房性早搏，窦性心律不齐，窦性心律过缓，窦性心律过速，右束支阻滞，左束支阻滞，左心室肥厚，心房颤动，
T
波改变，左室高电压
,
电轴左偏，电轴右偏
,
肢体导联低电压
,ST
段，左前分支阻滞，室内传导阻滞和正常心电图
。
[0024]优选地，所述
Transformer
模型的训练过程按
batch
进行，每次训练放入一个
batch
，
batch size
设置为
x
；训练的学习率设置为
y
；损失函数采用交叉熵；模型采用反向传播算法优化参数，优化器使用
Adam
；所有训练集数据全部训练一遍为1个
epoch
，训练一共进行
z
个
epoch
；最后一个
epoch
训练结束时的模型即为训练好的模型
。
[0025]优选地，所述心电图的导联数为
12。
[0026]根据本专利技术的第二个方面，提供一种基于心电图的心脏疾病判读系统，包括：
[0027]数据处理模块，该模块对心电图进行筛本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于心电图的心脏疾病判读方法，其特征在于，包括：对心电图预处理，统一心电图数据形式；通过基于
Transformer
的深度学习方法，用所述预处理后的所述心电图数据作为输入，训练模型对所述心电图数据进行分类，获得能够实现多类心律判读的
Transformer
模型；使用训练好的所述
Transformer
模型，对待判心电图进行判断，获得心律分类
。2.
根据权利要求1所述的一种基于心电图的心脏疾病判读方法，其特征在于，所述对心电图预处理，统一心电图数据形式，包括：设置采样率为
a
，采样时间为
b
，获得数据总长度为
a
×
b
的向量；通过填补操作将所述向量长度增补至预设长度
c
；根据心电图的导联数
N
，获得一个
N
×
c
的向量；对所述
N
×
c
向量进行标准化操作：计算
N
×
c
向量的平均值和标准差，使用
N
×
c
向量减去平均值，再除以标准差
。3.
根据权利要求1所述的一种基于心电图的心脏疾病判读方法，其特征在于，所述
Transformer
模型中对输入的心电图数据的处理过程，包括：将预处理后的
N
×
c
向量切为
M
个
patch
，切完后的数据为通过一个神经元个数为
S
的完全连接层对切完后的数据进行编码，编码后的数据增加一个维度用于分类，数据变为
M+1
维，即
(M+1)
×
S
；对数据加入一个位置码，位置码的大小同样为
(M+1)
×
S
；将所述位置码和所述数据进行相加操作，相加之后数据大小保持
(M+1)
×
S
；将数据输入连续的多个
Transformer
编码器进行编码，得到一个
S
维的向量；将
S
维的向量输入到一个
LayerNorm
层和一个全连接层，输出一个
X
维的向量，即获得
X
类心电图的分类分数，取分数最高类作为心律类型
。4.
根据权利要求3所述的一种基于心电图的心脏疾病判读方法，其特征在于，所述
Transformer
编码器，包括注意力模块
Attention(
·
)
和前向传播模块
Feedforward(
·
)
，数据
x0首先进入所述注意力模块得到
x1＝
Attention(x0)+x0，然后
x1进入前向传播模块得到
x2＝
Feedforward(x1)+x1；其中，所述注意力模块
Attention(
·
...

【专利技术属性】
技术研发人员：翟广涛，刘子甲，张伟民，陈丽，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：