基于残差网络的12导联ECG心律失常检测分类模型构建方法

摘要

本发明公开了一种基于残差网络的12导联ECG心律失常检测分类模型构建方法，将深度学习的思想引入心律失常疾病类型地检测分类中，在训练阶段将采集到的12导联ECG数据经过处理后作为输入，每条12导联ECG数据所对应的心律失常类型作为标签训练残差网络，利用了残差网络对输入数据进行充分的特征提取，然后利用SENet对不同通道之间的联系进行特征融合，再利用3层全连接层进行24种心律失常类型的分类，最终构建成为本网络模型。本发明网络模型从数据驱动的角度实现了对24种常见心律失常类型预测，有效地解决了人工检测识别心律失常类型非常耗时且依赖医护人员临床经验的问题。

说明书

技术领域

本发明属于心电生理检测分析技术领域，具体涉及一种基于残差网络的12导联ECG心律失常检测分类模型构建方法。

背景技术

根据世界卫生组织报道，从全球的统计数据来看，心脏疾病是主要的死亡原因，每年因心脏问题造成的死亡人数超过任何其他死亡原因。心脏异常是一种常见的循环系统疾病，包括房颤、早搏和其他的心律失常，这些症状通常通过无创心电图(electrocardiogram，ECG)在临床上进行检查和分类，而其中12导联心电图是诊断心律失常的黄金标准，它可以更迅速准确地发现心律失常。本发明研究的重点是通过12导联动态心电图检查收集和分析的大量数据，使自动心电图分类算法既准确又快速；对于心律失常分类问题，我们采用深度学习的方法来让网络模型自动学习隐藏在12导联心电图中的信息。

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像、声音和文本。深度学习的概念源于人工神经网络的研究，含多隐层的多层感知器就是一种深度学习结构；深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，它的基本特点是试图模仿大脑的神经元之间传递、处理信息的模式，最显著的应用是计算机视觉和自然语言处理领域。显然，深度学习是与机器学习中的神经网络是强相关，神经网络也是其主要的算法和手段，或者可以将深度学习称之为改良版的神经网络算法，其主要的思想就是模拟人的神经元，每个神经元接受到信息，处理完后传递给与之相邻的所有神经元即可。

文献[Awni Y,Hannun,Pranav,et al.Cardiologist-level arrhythmiadetection and classification in ambulatory electrocardiograms using a deepneural network.[J].Nature medicine,2019]提出了一种深度神经网络(DNN)，利用单导联动态心电图数据来对心律失常进行分类，获得了与心脏病专家类似的结果，但只能识别包括噪声在内的12种心律失常类型。文献[Xiong Z,Stiles M K,Zhao J.Robust ECGsignal classification for detection of atrial fibrillation using a novelneural network[C]//2017Computing in Cardiology(CinC).IEEE,2018]采用一维卷积的方式对心律失常进行分类，但是只能识别正常、房颤、噪声以及其他共四种类别，并且总体准确率只有82％。

综上所述，现有技术主要存在以下问题：

①人工解释心电图、对心律异常的初步诊断会耗费较多时间，并且依赖于需要经验丰富的医护人员；

②多数算法训练的都是单一、小型或相对同质化的数据集，缺少普适意义；

③多数算法模型可识别心律失常类型较少，常见的包括2种、4种、6种等。

发明内容

鉴于上述，本发明提供了一种基于残差网络的12导联ECG心律失常检测分类模型构建方法，该模型能够在得到病人的12导联体表电位数据的情况下，很好地检测分类病人所属的心律失常疾病类型。

一种基于残差网络的12导联ECG心律失常检测分类模型构建方法，包括如下步骤：

(1)利用12导联心电图机采集不同病人的12导联体表心电数据，并记录每组心电数据所对应的心律失常疾病类型；

(2)对所述心电数据进行处理以提取其中每一个单独的心拍；

(3)对于任一组心电数据，通过对心拍进行随机排序并拼接得到多个特征样本；

(4)搭建基于残差网络的网络模型，利用大量特征样本对该模型进行训练，即以特征样本及其对应的心律失常疾病类型分别作为模型的输入以及输出的真值标签，从而得到用于ECG心律失常检测的分类模型。

进一步地，所述步骤(1)的具体实现方式为：首先让病人上身贴上医学12导联的体表电极贴片，利用心电图机采集病人的体表心电数据，并记录每组共12个通道的心电信号。

进一步地，所述步骤(2)的具体实现方式为：首先利用3～45Hz的非递归型滤波器对12导联体表心电数据中各通道心电信号进行滤波处理，再通过R波检测算法将各通道心电信号中的心拍单独提取出来。

进一步地，所述步骤(3)的具体实现方式为：对于同一病人所采集到的一组心电数据，将其中每一个心拍进行通过shuffle函数进行随机排序，然后每四个心拍按顺序拼接起来作为一个特征样本，从而得到多个特征样本。

进一步地，所述步骤(4)中在搭建网络模型之前，将所有病人的所有特征样本分为训练集、验证集和测试集，其中训练集用于训练模型，验证集用于初步评估模型的预测能力并对模型参数进行微调，测试集用于对最终训练完成的模型的泛化能力进行评估。

进一步地，所述网络模型从输入至输出由2个一维卷积神经网络层A1～A2、16个SE-ResNet残差块B1～B16、平均池化层、丢弃层D1、3个全连接层E1～E3依次连接组成，每个SE-ResNet残差块从输入至输出由一维卷积神经网络层A3、丢弃层D2、一维卷积神经网络层A4、自适应池化层、全连接层E4、ReLu层、全连接层E5、Sigmoid层依次连接组成。

进一步地，所述一维卷积神经网络层A1采用的卷积核大小为15，步长为2；一维卷积神经网络层A2采用的卷积核大小为7，步长为2；一维卷积神经网络层A3～A4采用的卷积核大小为5，步长为1。

进一步地，所述丢弃层D2随机选择30％的网络权重参数重置为0，丢弃层D1随机选择40％的网络权重参数重置为0，所述全连接层E1～E3中的神经元数量分别为512、256、24。

进一步地，所述一维卷积神经网络层A1～A2的输出均依次经批标准化和ReLu函数处理。

进一步地，所述步骤(4)中训练网络模型的具体过程为：首先批量将训练集的特征样本输入至网络模型中，然后计算模型每一输出结果与对应真值标签之间的损失函数L，以损失函数L最小为目标通过反向传播法对网络模型中的参数不断进行优化，最终训练完成后得到用于ECG心律失常检测的分类模型。

本发明将深度学习的思想引入心律失常疾病类型地检测分类中，在训练阶段将采集到的12导联ECG数据经过处理后作为输入，每条12导联ECG数据所对应的心律失常类型作为标签训练残差网络，利用了残差网络对输入数据进行充分的特征提取，然后利用SENet对不同通道之间的联系进行特征融合，再利用3层全连接层进行24种心律失常类型的分类，最终构建成为本网络模型；本发明网络模型从数据驱动的角度实现了对24种常见心律失常类型预测，有效地解决了人工检测识别心律失常类型非常耗时且依赖医护人员临床经验的问题。

附图说明

图1为本发明网络模型的整体框架示意图。

图2为本发明方法的整体流程示意图。

图3为SENet网络的结构示意图。

图4为从原始信号截取出单个心拍的流程示意图。

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。

如图2所示，本发明基于残差网络的12导联ECG心律失常检测分类方法，具体包括如下步骤：

S1.利用12导联心电图机采集患有不同心律失常疾病类型病人的12导联体表电位数据，并记录每组12导联体表心电数据所对应的心律失常疾病类型。

首先，用医学12电极导联的体表电极贴片贴在病人的12个对应部位(Ⅰ、Ⅱ、Ⅲ、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6)，以采集病人的12导联体表电位数据；本实例总共使用6720名病人的12导联数据，并从中提取出201600个心拍。

S2.对采集到的12导联体表电位数据进行预处理。

本实施方式通过3～45Hz的非递归型滤波器对12导联体表心电数据中的各通道心电信号进行滤波处理。

S3.对预处理之后的信号进行心拍截取。

如图4所示，本实施方式通过R波探测算法找到R峰在波形图中的位置，然后再根据周期信息找出对应一个心拍的起始和终止点，最后截取出一个完整心拍的数据。

S4.随机拼接心拍。

针对每一个导联的心拍，本实施方式首先通过shuffle函数进行随机排序，然后再在同一水平线上每四个心拍拼接起来组成一个新的大小为12×1200的特征样本。

S5.划分数据集。

本实施方式将所有的12导联数据及对应的心律失常类型划分为训练集(4032个病人)、验证集(1344个病人)和测试集(1344个病人)。

S6.在训练过程中，由于心电信号一种固定长度的序列信号，我们将传统的二维卷积核改为一维的卷积核来更好地提取心电信号的特征，如图1所示，整个网络模型中同时使用到卷积核大小为15、7、5的三种不同尺度的一维卷积层。

S7.考虑到不同导联之间的联系，本发明在残差网络的基础上引入了SENet模块，如图3所示，该模块主要分为Squeeze、Excitation和Reweight三个操作。首先是Squeeze操作，顺着空间维度来进行特征压缩，将每个特征通道变成一个实数，这个实数在某种程度上具有全局的感受野，并且它所输出的维度和输入的特征通道数相匹配，它表征着在特征通道上响应的全局分布，而且使得靠近输入的层也可以获得全局的感受野；然后是Excitation操作，它是一个类似于循环神经网络中门的机制，通过参数w来为每个特征通道生成权重，其中参数w被学习用来显式地建模特征通道间的相关性。最后是一个Reweight的操作，我们将Excitation的输出的权重看作是进过特征选择后的每个特征通道的重要性，然后通过乘法逐通道加权到先前的特征上，完成在通道维度上的对原始特征的重标定。

S8.本发明采用三层神经元数量逐渐递减的全连接神经网络层所组成的多层感知器来预测分类24种心律失常类型。

总体上，本发明采用的网络模型从输入至输出由2个一维卷积神经网络层A1～A2、16个SE-ResNet残差块B1～B16、1个平均池化层、1个丢弃层D1、3个全连接层E1～E3依次连接组成，网络中每个一维卷积神经网络层的输出均依次经批标准化和ReLu函数处理；每一个SE-ResNet残差块按顺序分别由一维卷积神经网络层A3、丢弃层D2、一维卷积神经网络层A4、自适应池化层、全连接层、ReLu层、全连接层、Sigmoid层组成。其中：一维卷积神经网络层A1的一维卷积核大小为15，步长为2，一维卷积神经网络层A2的一维卷积核大小为7，步长为2；SE-ResNet残差块B1～B16中一维卷积神经网络层A3和A4的一维卷积核大小均为5，步长为1；丢弃层D2随机选择30％的网络权重参数重置为0；丢弃层D1随机选择40％的网络权重参数重置为0；3个全连接层E1～E3的神经元数量分别为512、256、24。

训练过程中，首先将特征样本每512个为一组输入至网络模型中，然后计算模型每一次的输出结果与对应真值标签之间的损失函数L，以损失函数L最小为目标通过反向传播法对网络模型中的各个参数不断进行优化，最终训练完成后得到用于心律失常检测分类的网络模型。

本实施方式采用的损失函数为交叉熵，公式为

在验证集上，将本发明提出的分类模型与多个常见模型进行比较，例如支持向量机(Support Vector Machine，简称SVM)和长短期记忆网络(Long Short Term Memory，简称LSTM)。比较方法仅涉及只有1D-ResNet34的模型，我们将此模型作为基线模型，实验结果如表1和表2所示，表1列出了六种训练模型的F1分数和2020PhysioNet/Cinc多分类挑战分数。

表1

表2

通过表1可以看出，本发明提出的分类模型在心律失常分类任务中的效果明显优于支持向量机、长短期记忆网络以及一维卷积残差网络；同时通过表2可以看出本发明模型在特定类型心律失常诊断上的准确率普遍达92％以上。

上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。