一种基于1D卷积神经网络的室性异位搏动检测方法

摘要

本发明公开了一种基于1D(Dimension)卷积神经网络的室性异位搏动检测方法，由于卷积神经网络普遍应用于二维图像处理方面，而心电信号属于一维的时间序列，本发明针对心电信号的特点设计了一种一维卷积神经网络用于检测室性异位搏动；同时，针对心电信号的特点，给出心电信号具体分割参数，并将心率失常数据库分割得到的一系列单个心拍数据输入到专门设计的一维卷积神经网络中进行训练，与以往的方法相比，鲁棒性更强，检测精度更佳。

说明书

技术领域

本发明属于医疗测试技术领域，特别是，更为具体地讲，涉及一种基于1D(Dimension)卷积神经网络的室性异位搏动检测方法。

背景技术

近年来快节奏的生活方式使得人们生活压力逐年攀升，身体健康更加引人关注，而心脏病一直以来都对人类的健康产生严重威胁。随着社会经济的发展，人们生活方式发生了深刻的变化。尤其是人口老龄化及城镇化进程的加速，中国心血管病流行趋势呈明显上升态势，导致了心血管病的发病人数持续增加。而对于心脏疾病的防治一直是国内外研究的热点。

心电信号在临床医学的研究中地位举足轻重，它能够综合反映心脏兴奋的活动过程，并且检测手段丰富，易于观察，对于心脏病的检测和诊断有着十分重要的作用。由于大部分心电疾病一般出现在较长时间段中的某一心拍，不易被发现，因此，对于心电信号疾病的自动检测对于医生的辅助治疗极具意义。

室性异位搏动为最常见的心律失常之一，在器质性心脏病和正常人均可见到。从胎儿直至高龄者均可发生。室性异位搏动是由希氏束分支以下异位起搏点提前产生的心室激动，中、老年人多见，有的可无明显临床症状，有的可导致严重后果不容忽视。室性异位搏动可见于器质性心脏病患者，也可见于无器质性心脏病的正常人。

发现室性异位搏动一般应做24小时动态心电图检查，并对室性异位搏动进行定量定性分析，以评价及指导预后。所以心电信号的异常检测需要长时间的心电图数据，然而医生通过这大量数据对室性前期收缩等心脏疾病进行判断，过程费时费力且容易出错。

发明内容

本发明的目的在于克服现有技术的不足，提出一种基于1D(Dimension)卷积神经网络的室性异位搏动检测方法，以提高检测的准确性(检测精度)和鲁棒性更强，同时减轻医生判断的负担。

为实现上述发明目的，本发明基于1D(Dimension)卷积神经网络的室性异位搏动检测方法，其特征在于，包括以下步骤：

(1)、心电信号预处理

对心率失常数据库中心电信号序列的每一拍心电信号进行分割(心拍分割)，得到一系列的长度为64的单个心拍数据作为训练集数据，并对其中室性异位搏动的心拍标记为‘1’，其余心拍标记为‘0’，

对训练集数据进行归一化处理：

其中，x为单个心拍数据中的一个数据，x_min为训练集数据中单个心拍数据中的最小值，x_max为训练集数据中单个心拍数据中的最大值；

(2)、设计用于检测室性异位搏动的1D CNN(卷积神经网络)网络

第1层：卷积层(记作C1层)，C1层输入数据的大小为1x64的数据，分别使用16个大小为1x5的卷积核，以步长为1对输入数据做卷积，得到16个大小为1x60的数据并输出第2层(一个卷积核对输入数据进行卷积得到一个输出数据)，其中，卷积过程的激活函数采用修正线性单元ReLu；

第2层：池化层(记作S2层)，对输入到S2层的16个大小为1x60的数据以步长为1，非重叠的做2的最大池化操作，得到16个大小为1x30的数据并输出到第3层；

第3层：卷积层(记作C3层)，每一个大小为1x5的卷积核以步长为1分别对输入的16个大小为1x30数据进行卷积操作，得到16个大小为1x26的卷积值，然后得到一个大小为1x26的数据，其中，卷积过程的激活函数采用修正线性单元ReLu；

C3层有8个大小为1x5的卷积核，这样得到8个大小为1x26的数据，并输出到第4层；

第4层：池化层(记作S4层)，对输入到S4层的8个大小为1x26的数据分别以步长为1，非重叠的做2的最大池化操作，得到8个大小为1x13的数据，并输出到第5层；

第5层：全连接层(记作C5层)，将输入的8个大小为1x13的数据组合为一个大小为1x104的数据(一维数据)，C5层共有10个神经元，每个神经元与大小为1x104的数据中的每个数据进行全连接，每个神经元输出一个数据，这样输出C5层输出10个数据；

第6层：输出层(记作output层)，共有2个神经元(即0或者1)，每个神经元与C5层输出的10个数据进行全连接，两个神经元分别输出一个属于类别0的概率和属于类别1的概率，其中，激活函数采用sigmoid函数；

(3)、训练1D CNN网络

将训练集数据中单个心拍数据作为1x64的数据，以及对应的心拍标记送入1D CNN网络中进行训练，训练完成后，得到该1D CNN网络的各项参数；

在训练1D CNN时，卷积层的计算公式为：

其中，表示1D CNN的第l层的第i个特征向量；表示1D CNN的第l-1层的第k个特征向量；*表示的是1D卷积运算；以及表示的是1D CNN第l层的对应第i个特征图的卷积核和偏置；表示的是激活函数；

(4)、室性异位搏动检测方法

采集人体的心电信号序列，并进行分割，得到一系列的长度为64的单个心拍数据，然后按照步骤(1)的公式进行归一化处，并将每个单个心拍数据输入到设计的1D CNN(卷积神经网络)网络中，得到属于类别1的概率，即属于室性异位搏动的概率。

本发明的目的是这样实现的。

本发明基于1D(Dimension)卷积神经网络的室性异位搏动检测方法，由于卷积神经网络普遍应用于二维图像处理方面，而心电信号属于一维的时间序列，本发明针对心电信号的特点设计了一种一维卷积神经网络用于检测室性异位搏动；同时，针对心电信号的特点，给出心电信号具体分割参数，并将心率失常数据库分割得到的一系列单个心拍数据输入到专门设计的一维卷积神经网络中进行训练，与以往的方法相比，鲁棒性更强，检测精度更佳。

附图说明

图1是本发明基于1D(Dimension)卷积神经网络的室性异位搏动检测方法的示意图；

图2是图1中所示一维卷积神经网络的具体结构示意图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

图1是本发明心音信号医学指标数据的获取方法一种具体实施方式流程图。

在本实施例中，如图1所述，本发明基于1D(Dimension)卷积神经网络的室性异位搏动检测方法包括以下步骤：

1、心电信号预处理

在本实施例中，用于训练1D(Dimension)卷积神经网络的心电信号数据来源于MIT-BIH心率失常数据库(MIT-BIH是由美国麻省理工学院提供的研究心律失常的数据库)，选取包含室性异位搏动的24组心电信号序列进行训练和测试评估。将这24组心电信号序列分为DS1类：106,108,109,203,205,207,208,114,116,118,119,201,215,223与DS2类：200,202,105,210,213,214,219,221,228,233。将DS1类的14组用作1D卷积神经网络的训练，将DS2类的10组用作本发明方法的测试评估。每组数据30min，采样频率360Hz，根据数据库中的标记方法对每一拍的心电信号序列进行分割，并将室性异位搏动的心拍标记为‘1’，其余心拍标记为‘0’，分割后得到一系列的长度为64的单个心拍数据作为训练集数据。

对训练集数据进行归一化处理：

其中，x为单个心拍数据中的一个数据，x_min为训练集数据中单个心拍数据中的最小值，x_max为训练集数据中单个心拍数据中的最大值。

2、设计用于检测室性异位搏动的1D CNN(卷积神经网络)网络

在本发明中，针对心电信号的特点设计了一种一维卷积神经网络用于检测室性异位搏动，其具体结构如图2所示。

所述1D CNN结构及参数如表1所示。

表1

4、训练1D CNN网络

将训练集数据中单个心拍数据，即DS1类的14组心电信号序列分割出来，并进行归一化后的单个心拍数据作为1x64的数据，以及对应的心拍标记送入1D CNN网络中进行训练，训练完成后，得到该1D CNN网络的各项参数。

4、室性异位搏动检测方法

DS2类的10组心电信号序列分割出来，并进行归一化后的单个心拍数据作为1x64的数据，对本发明进行测试评估。

在本实施例中，利用DS2类的10组心电信号序列进行性能的评估。这10组心电信号序列与DS2类中的14组心电信号序列来源于不同的个体，从而使得评估更具严谨性。DS2类中10组心电信号序列共分割出25169个单个心拍数据，对单个心拍数据进行预处理后，输入到1D CNN网络中进行分类。

5、性能评估

预测出的数据集有以下四种结果：真阳性(TP)、真阴性(TN)、假阳性(FP)、假阴性(FN)。四个标准对分类效果进行评估：准确率(Acc)、敏感度(Sen)，特异度(Spe)以及阳性率(Ppr)。计算公式如下：

通过测试得出：

表2

由此计算出：

AccSenSpePpr97.22％87.95％98.61％90.55％

表3

由以上数据可以看出，本方法对于室性异位搏动的识别率较高，而且由于训练集与测试集选择的样本来源不同，由此可以看出本方法的鲁棒性较强，可以实现对心电信号的自动检测功能。本发明提出了一种于1D卷积神经网络的室性异位搏动检测方法，采用的是卷积神经网络结构。由于卷积神经网络对于图形形状的识别较为敏感，利用此网络结构对于心电波形的各个形态可以进行较好识别，从而将形态特征差异明显的心室异位搏动疾病与其他波形进行区分。由于心电信号为时间序列，所采用的是一维的卷积神经网络。通过不断调整网络结构模型优化分类效果，从而得到最佳的网络模型。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。