一种基于卷积神经网络的房性早搏目标检测方法

摘要

本申请涉及一种基于卷积神经网络的房性早搏目标检测方法，通过数据预处理，对收集的每一条心电信号标注数据标签，所述数据标签包括所述心电信号不同采样点处的心拍类型和心拍位置，并组成训练集，训练卷积神经网络模型，将实时待检测心电数据输入训练好的卷积神经网络模型，预测异常心拍的类型和异常心拍的位置，从而实现房性早搏的目标检测。

说明书

技术领域

本申请属于心电检测技术领域，尤其是涉及一种基于卷积神经网络的房性早搏目标检测方法。

背景技术

由于心脏电传导系统异常所引起的各种征候，称为心律失常。其中房性早搏是临床心律失常病症中较为常见的，它是指心脏提前搏动而引起的心室或心房的异常收缩，一旦频繁发作可能会导致各种并发症，所以针对房早类心律不齐的目标检测具有重要意义。

心电信号作为检测心律失常疾病的重要工具，是人体心脏活动时所产生的电信号。医生通过心电信号诊断心律失常通常耗时耗力且与医生水平有较大关联。随着人工智能技术广泛应用于心律失常的检测，辅助医生诊断，大大提高了诊断效率，但大多数算法仅能给出基于心拍或片段的类型识别，无法同时判断心律失常类型并给出位置信息。

发明内容

本发明要解决的技术问题是：为解决对于心律失常的疾病，现有技术的算法无法同时判断心律失常类型并给出位置信息的问题。

为解决上述技术问题，本发明提供了一种基于卷积神经网络的房性早搏目标检测方法及装置，本发明卷积神经网络采用基于离散小波思想改进的具有对称框架的卷积神经网络，将采集的心电信号标记包含心电信号不同采样点处的心拍类型和心拍位置的数据标签，通过训练卷积神经网络模型，将实时待检测心电数据作为输入，预测异常心拍的类型和异常心拍的位置，实现房性早搏的目标检测。

本发明解决其技术问题所采用的技术方案是：

本发明第一方面提供一种基于卷积神经网络的房性早搏目标检测方法，包括：

收集若干包含房性早搏且已标注R波的心电信号；

通过数据预处理，对每一条心电信号标注数据标签，并将标注数据标签的心电信号数据构成训练集，所述数据标签包括所述心电信号不同采样点处的心拍类型和心拍位置；

将所述训练集中的心电信号数据作为输入，将所述心电信号不同采样点处的心拍类型和位置作为输出，训练卷积神经网络模型；

获取实时待检测心电数据，并输入训练好的卷积神经网络模型，预测异常心拍的类型和异常心拍的位置，从而实现房性早搏的目标检测。

本发明第二方面提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序在被处理器执行时，用于实现本发明第一方面所述的检测方法。

本发明的有益效果是：本发明将采集的心电信号标记包含心电信号不同采样点处的心拍类型和心拍位置的数据标签，通过训练卷积神经网络模型，将实时待检测心电数据作为输入，可以同时预测异常心拍的类型和异常心拍的位置，实现房性早搏的目标检测。

附图说明

下面结合附图和实施例对本申请的技术方案进一步说明。

图1是本发明实施例的检测方法流程图；

图2是本发明实施例的卷积神经网络框架图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

下面将参考附图并结合实施例来详细说明本申请的技术方案。

实施例1

本实施例提供一种基于卷积神经网络的房性早搏目标检测方法，如图1所示，包括：

步骤1，收集若干包含房性早搏且已标注R波的心电信号；

步骤2，通过数据预处理，对每一条心电信号标注数据标签，并将标注数据标签的心电信号数据构成训练集，所述数据标签包括所述心电信号不同采样点处的心拍类型和心拍位置；

步骤3，将所述训练集中的心电信号数据作为输入，将所述心电信号不同采样点处的心拍类型和位置作为输出，训练卷积神经网络模型；

步骤4，获取实时待检测心电数据，并输入训练好的卷积神经网络模型，预测异常心拍的类型和异常心拍的位置，从而实现房性早搏的目标检测。

本实施例收集15000条已标注R波的临床静息10s十二导联心电信号，且心电信号的采样频率为500Hz。

本实施例收集的10s心电信号包括：包含左束支、房性早搏的心电信号，包含右束支、房性早搏的心电信号以及包含正常、房性早搏的心电信号。

由于房性早搏大多只和左束支、右束支、正常一起出现，故本实施例收集的10s心电信号为上述三种情况下的心电信号。本实施例收集的心电信号数据均取II导联心电信号，其中正常、房性早搏的10s信号有5000条，左束支、房性早搏的10s心电信号有5000条，右束支、房性早搏的10s心电信号有5000条，共同构成心电数据集，将心电数据集进行预处理后，构成卷积神经网络的训练集。

经过预处理过程，对心电数据集中的每一条心电信号标注数据标签，所述数据标签包括所述心电信号不同采样点处的心拍类型和心拍位置。根据训练集中预处理后的心电数据训练卷积神经网络，将实时待检测心电数据输入训练好的卷积神经网络模型，预测异常心拍的类型和异常心拍的位置，从而实现房性早搏的目标检测。

可选的是，本实施例所述数据预处理的步骤包括：

S21:对收集的心电信号进行小波滤波和Fir加窗滤波；

S22:对收集的每一条心电信号的若干个采样点进行打标，根据已标注的R波，左右截取心拍，标记心拍类型。

本实施例中，首先对每一条10s心电信号进行预处理，进行小波滤波和Fir加窗滤波；其次，对每一条心电信号中的5000个采样点进行打标，根据医生所给出的R波标签进行左右截取心拍，为5000个采样点标记心拍类型。

为符合AAMI标注，正常、左束支、右束支心拍全默认为正常心拍，即数据标签一致。为每一条10s心电信号标记心拍类型的具体方法为：

a.若标注的R波为正常、左束支、右束支，则将R波位置往左120到往右130的信号段内的采样点均标记为0.5；

b.若标注的R波为房性早搏，则将R波位置往左198到往右175的信号段内的采样点均标记为1；

c.将经过上述标记后剩余的采样点都默认为背景点，并标记为0。

例如，对一条心电信号的5000个采样点进行打标，最终的数据标签为5000个数字组成，即[0 0 0 0 0 0 0.5 0.5 0.5 0.5 0.5 0.5 0.5......0 0 0 0 0.5 0.50.5.....1 1 1 1 1 1 1 1 1 1....0 0 0 0 0 0.5 0.5....]，其中0，0，0...表示此信号段没有心拍类型，可能就是两个心拍之间的过渡段；0.5，0.5，0.5...表示此信号段为正常心拍；1，1，1，...表示此信号段为房早心拍。

为方便训练卷积神经网络，对数据标签进行独热化操作，将每一条心电信号所对应的长度为5000的数据标签用5000行3列的形式来表示，每一行代表一个点的类型，例如，可表示为：

可选的是，本实施例所述卷积神经网络模型为基于离散小波思想的卷积神经网络模型，包括编码层、系数处理层和解码层，输入的心电信号依次经过编码、系数处理和解码后输出，实现自动编码解码，直接输出每个采样点的心拍类型。

如图2所示，所述卷积神经网络模型包括编码层、系数处理层和解码层。

所述编码层分为三层卷积，其中，第一层卷积包括第一卷积层和第二卷积层，所述第一卷积层连接第一下采样层，所述第二卷积层连接第二下采样层和第三下采样层；第二层卷积包括第三卷积层和第四卷积层，所述第三卷积层的输入为第二下采样层的输出，所述第四卷积层的输入为第三下采样层的输出，所述第三卷积层连接第四下采样层，所述第四卷积层连接第五下采样层和第六下采样层；第三层卷积包括第五卷积层和第六卷积层，所述第五卷积层的输入为第五下采样层的输出，所述第六卷积层的输入为第六下采样层的输出，所述第五卷积层连接第七下采样层，所述第六卷积层连接第八下采样层；

所述系数处理层包括第一系数处理层、第二系数处理层、第三系数处理层和第四系数处理层，所述第一系数处理层的输入为第一下采样层的输出，所述第二系数处理层的输入为第四下采样层的输出，所述第三系数处理层的输入为第七下采样层的输出，所述第四系数处理层的输入为第八下采样层的输出；

所述解码层包括第一上采样层、第二上采样层、第三上采样层、第四上采样层、第五上采样层和第六上采样层，所述第一上采样层的输入为第四系数处理层的输出，所述第二上采样层的输入为第三系数处理层的输出，所述第一上采样层和第二上采样层特征连接后输出至第三上采样层，所述第四上采样层的输入为第二系数处理层的输出，所述第三上采样层和第四上采样层特征连接后输出至第五上采样层，所述第六上采样层的输入为第一系数处理层的输出，所述第五上采样层和第六上采样层的特征连接后输出至第七卷积层，第七卷积层的输出作为第八卷积层的输入，第八卷积层输出检测结果。

本实施例的卷积神经网络模型为基于离散小波重构思想改进的卷积神经网络模型，输入为5000*1的心电信号，输出为5000*1的向量，是一个可以自动编码解码的卷积神经网络模型，可直接输出每个采样点的心拍类型。

如图2所示，本实施例改进后的卷积神经网络模型分为编码部分、系数处理部分和解码部分。

编码部分包含第一卷积层、第二卷积层、第一下采样层、第二下采样层、第三下采样层、第三卷积层、第四卷积层、第四下采样层、第五下采样层、第六下采样层、第五卷积层、第六卷积层、第七下采样层、第八下采样层。

系数处理部分依次包含第一系数处理层、第二系数处理层、第三系数处理层、第四系数处理层。

解码部分依次包含第一上采样层、第二上采样层、第三上采样层、第四上采样层、第五上采样层、第六上采样层、第七卷积层、第八卷积层(输出层)。

第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层、第八卷积层内滤波器个数依次为十六个、十六个、三十二个、三十二个、六十四个、六十四个、十六个、一个，对应的卷积核大小均为(32*1)、步长均为一，填充方式均为“same”。第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层的激励函数均为Relu函数，第八卷积层的激励函数为softmax函数。

第一下采样层、第二下采样层、第三下采样层、第四下采样层、第五下采样层、第六下采样层、第七下采样层、第八下采样层均采用最大池化方法，池化窗大小设置为二。

第一系数处理层、第二系数处理层、第三系数处理层、第四系数处理层依次为学习参数w4、b4,w3、b3,w2、b2,w1、b1，对应的处理函数均为线性函数，计算过程为y

第一上采样层、第二上采样层、第三上采样层、第四上采样层、第五上采样层、第六上采样层均先进行线性插值后进行卷积操作，且卷积层内滤波器个数依次为六十四、六十四、三十二、三十二、十六、十六，卷积层的卷积核大小为(32*1)，卷积层的步长均为一，填充方式为“same”，卷积层的激励函数均为Relu函数。

损失函数均采用categorical_crossentropy。训练算法可以为：随机梯度下降算法、Adam算法、RMSProp算法、Adagrad算法、Adadelta算法、Adamax算法等。

采用本实施例的卷积神经网络模型的好处是：一方面卷积层可以通过不断向下分解，获得一个结构很深的网络，另一方面由“第一卷积层---第一下采样层----第一系数处理层---第五上采样层----第七卷积层---第八卷积层”构成的回路网络比较浅，因此既可以挖掘得到深层次的特征，又可以避免梯度消失。

本实施例的卷积神经网络模型基于离散小波思想，如果学习得到的系数合适，通过编码和解码之后，可以还原信号所有信息，而中间的系数处理层，则可以起到突出特征的作用，使得本实施例的卷积神经网络模型的应用范围更广。

本实施例提出了基于离散小波思想改进的具有对称框架的卷积神经网络，实现房性早搏的目标检测。该模型在卷积操作、下采样的操作后再用上采样、卷积操作中通过函数对信号进行重构，保证输入输出相等，从而输出临床10s心电信号片段中心拍的位置及类型。

实施例2：

本发明第2实施例提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序在被处理器执行时，用于实现实施例1所述的检测方法。

以上述依据本申请的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项申请技术思想的范围内，进行多样的变更以及修改。本项申请的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。