一种基于12导联和卷积神经网络的心电数据分类方法
阅读说明：本技术 一种基于12导联和卷积神经网络的心电数据分类方法 (Electrocardiogram data classification method based on 12-lead and convolutional neural network ) 是由 褚菲 李佳 魏宇伦 韦昊然 杨思怡 李明 于 2020-05-18 设计创作，主要内容包括：一种基于12导联和卷积神经网络的心电数据分类方法,从PTB诊断心电数据库中获取12导联心电数据信号；利用小波变换去噪算法对步骤一中获取到的信号进行降噪处理；采用小波模极大值结合可变阈值法对步骤二中降噪处理的信号进行处理；利用步骤三中获得的R波峰位置信息,分解12导联心电图的周期,然后再提取每个周期的P-QRS-T特征段；选取出合适的心电信号并根据设定采样点对心电信号进行数据采样；构造一维卷积神经网络,设定一维卷积神经网络输入层、隐含层和输出层的节点数,并对一维卷积神经网络进行训练,搭建12导联心电图分类模型。该方法可以快速地识别出患有心血管疾病的病人的心电信号。(An electrocardio data classification method based on 12 leads and a convolutional neural network is characterized in that 12 leads of electrocardio data signals are obtained from a PTB diagnosis electrocardio database; carrying out noise reduction processing on the signals acquired in the first step by using a wavelet transform denoising algorithm; processing the noise reduction processed signals in the second step by adopting a wavelet modulus maximum value and combining a variable threshold value method; decomposing the cycle of the 12-lead electrocardiogram by utilizing the R peak position information obtained in the third step, and then extracting the P-QRS-T characteristic section of each cycle; selecting a proper electrocardiosignal and carrying out data sampling on the electrocardiosignal according to a set sampling point; and constructing a one-dimensional convolutional neural network, setting the node number of an input layer, a hidden layer and an output layer of the one-dimensional convolutional neural network, training the one-dimensional convolutional neural network, and constructing a 12-lead electrocardiogram classification model. The method can quickly identify the electrocardiosignals of a patient suffering from cardiovascular diseases.)
技术领域
本发明提供一种基于12导联和卷积神经网络的心电数据分类方法。
背景技术
12导联心电图是反映心脏各部位生理状态的典型诊断工具，其包括12根导联(I、II、III、aVR、aVL、aVF、V1-V6)，分别检测心脏的不同部位。由于检测不同类型的心血管疾病需要评估不同导联的复杂变化，这导致人工分析心电图来辅助诊断心血管病费时费力，诊断结果也不够理想。因此，为了有效可靠地分析12导联心电图，现有的科研工作者提出了多种自动心血管疾病检测算法，来解决人工分析12导联心电图的局限性。
但现有的科研工作中，大多数研究工作是基于12导联心电图检测某种心血管疾病。这些研究都针对某一种心血管疾病问题取得了一定的成果，但都非常局限，很少有工作就如何检测多种心血管疾病进行研究，很难有效地辅助心血管疾病的临床诊断。因此，快速高效的心血管疾病自动检测方法，对于临床辅助人工心电分析意义很大。
发明内容
针对上述现有技术存在的问题，本发明提供一种基于12导联和卷积神经网络的心电数据分类方法，该方法省时省力，其能快速有效的分析12导联电心图数据，可以快速地识别出患有心血管疾病的病人的心电信号。
本发明提供一种基于12导联和卷积神经网络的心电数据分类方法，包括以下步骤：
步骤一：从PTB诊断心电数据库中获取12导联心电图数据信号；
步骤二：利用小波变换去噪算法对步骤一中获取到的信号进行降噪处理；
步骤三：采用小波模极大值结合可变阈值法对步骤二中降噪处理的信号进行处理；先使用Mallat算法对12导联心电信号进行变换，并通过对过零点进行定位，从而对在时域空间上的R波峰值定位；
步骤四：利用步骤三中获得的R波峰位置信息，分解12导联心电图的周期，然后再提取每个周期的P-QRS-T特征段；
步骤五：选取出合适的心电信号并根据设定采样点对心电信号进行数据采样；
步骤六：构造一维卷积神经网络，设定一维卷积神经网络输入层、隐含层和输出层的节点数，以及相邻层节点之间的权重，并对一维卷积神经网络进行训练，采用一维卷积神经网络模型对12导联心电图数据信号进行分类，并提取12导联心电图的特征信息，识别出患有心血管疾病的病人的心电信号。
进一步，为了更有效的识别出所需要的电信号，在步骤二中的小波变换去噪算法具体步骤为：
S1：选择Coifiet小波系中的coif4作为小波去噪中的小波基函数；
S2：采用公式(2)根据12导联心电图的采样频率和噪声频率来确定去噪过程中的小波分解层数j；
式中，fs为采样频率,fnoise＝infmin{fnoise1,fnoise2......fnoisen}为取12导联心电信号中所有噪声中频率最低的为下限频率，其中，fnoise1,fnoise2......fnoisen为12导联心电信号中所包含的N种不同噪声类型的频带，表示向下取整；
S3：根据公式(3)采用离散小波变换对12导联心电信号进行去噪；
式中，Ψjk(t)为离散小波基；为Ψjk(t)复共轭；WTf(j,k)为离散小波变换系数。
进一步，为了提高一维卷积神经网络模型的稳定性和运行速度，在步骤六中，采用dropout技术，即按照一定的比例随机丢弃一维卷积神经网络中的部分神经元，并加入Batch Normalization层对中间特征层进行批量标准化。
本方法中，采用离散小波变换对心电信号进行去噪，可以有效地去除噪声；采用一维卷积神经网络模型在训练之后再识别12导联心电信号时能够更快速地得到更准确的检测结果。该方法省时省力，其能快速有效的分析12导联电心图数据，可以快速地识别出患有心血管疾病的病人的心电信号。
附图说明
图1是本发明的流程图；
图2是本发明中卷积神经网络模型结构图；
图3是本发明中受试者工作特征曲线图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示，本发明提供了一种基于12导联和卷积神经网络的心电数据分类方法，包括以下步骤：
步骤一：从PTB诊断心电数据库(PTB Diagnostic ECG Database)中获取12导联心电图数据信号，这些数据信号涵盖心肌梗塞、心力衰竭、心律失常、束支传导阻滞和健康对照组共五种受试者，其中心肌梗塞、心力衰竭、心律失常与束支传导阻滞一同被分为心血管疾病一类；
步骤二：因为利用小波变换时频局部化特性可以有效地滤除与心电信号重叠的噪声，利用小波变换去噪算法对步骤一中获取到的信号进行降噪处理；x[n]＝f(n)+w(n) (1)；
式中，n为时间，x[n]为含噪信号，f(n)为有用信号，w(n)为高斯白噪声信号；有用信号f(n)经过小波变换后，突变点的能量集中在尺度较大的小波系数上，而噪声信号在小波变换后其小波系数不具有相关性，对噪声信号集中的尺度上的小波进行集中处理后再重构，从而完成小波变换过程。例如高斯白噪声在经过小波变换后依然是高斯白噪声，其小波系数不具有相关性，高斯白噪声经过小波变换后得到的小波系数分布在各个尺度上，且每一部分的幅值都不大，故可以通过先小波变换再对小波系数处理、重构的方式将其分离，其他噪声同理。
步骤三：采用小波模极大值结合可变阈值法对步骤二中降噪处理的信号进行处理；先使用Mallat算法对12导联心电信号进行变换，并通过对过零点进行定位，从而对在时域空间上的R波峰值定位；
步骤四：利用步骤三中获得的R波峰位置信息，分解12导联心电图的周期，然后再提取每个周期的P-QRS-T特征段；
步骤五：选取出合适的心电信号并根据设定采样点对心电信号进行数据采样；
步骤六：构造一维卷积神经网络，设定一维卷积神经网络输入层、隐含层和输出层的节点数，以及相邻层节点之间的权重，并对一维卷积神经网络进行训练，采用一维卷积神经网络模型对12导联心电图数据信号进行分类，并提取12导联心电图的特征信息，识别出患有心血管疾病的病人的心电信号。
在步骤二中的小波变换去噪算法具体步骤为：
S1：因为Coiflet小波系(coif N，其中N＝1,2,3,4,5)对称性好，而且其小波基函数和心电信号波形类似，所以选择Coifiet小波系中的coif4作为小波去噪中的小波基函数；
S2：小波去噪时，小波分解层数j的选择也十分重要，由采样频率和噪声的频率范围共同决定，分解的层数不同，去噪效果也不同。采用公式(2)根据12导联心电图的采样频率和噪声频率来确定去噪过程中的小波分解层数j；
式中，fs为采样频率,fnoise＝infmin{fnoise1,fnoise2......fnoisen}为取12导联心电信号中所有噪声中频率最低的为下限频率，其中，fnoise1,fnoise2......fnoisen为12导联心电信号中所包含的N种不同噪声类型的频带，表示向下取整；
由公式(2)可知，采样频率、噪声频率、信号长度共同决定了分解层数的大小。
12导联心电信号的噪声中，基线漂移的频率最低，低于0.5Hz，PTB诊断心电数据库(PTB Diagnostic ECG Database)采样频率为1000Hz，每组信号的采样点为10000。将基线漂移频率代入公式(2)，可得到j＝10，故采用coif4小波基函数对心电信号进行10层小波分解来实现去噪。
S3：对小波的支撑长度、正则性、对称性、小波消失矩阶数等方面，选择Coifiet小波系(coif N，其中N＝1,2,3,4,5)中的coif4作为小波基函数后，采用离散小波变换对12导联心电信号进行去噪，根据公式(3)采用离散小波变换对12导联心电信号进行去噪；
式中，Ψjk(t)为离散小波基；为Ψjk(t)复共轭；WTf(j,k)为离散小波变换系数。
在步骤六中，采用dropout技术，即按照一定的比例随机丢弃一维卷积神经网络中的部分神经元，并加入Batch Normalization层对中间特征层进行批量标准化，以提高一维卷积神经网络模型的稳定性和运行速度。
实施例1：
从PTB诊断心电图数据库(PTB Diagnostic ECG Database)中选择247名受试者，包括2个类别：52名健康对照组和195名心血管病患者。选用的样本涉及四种常见的心血管疾病，具体包括心肌梗死、心力衰竭、心律失常和束支传导阻滞。受试者的分布情况如表1所示。
表1 受试者的分布情况
12导联心电图是通过Ag/AgCl电极从身体表面采集心电信号，采集到的心电信号具有信号幅度小、频谱范围宽、噪声强的特点。如果直接将其输入至分类器，将会影响对心血管疾病患者诊断的准确性。因此，必须在一维卷积神经网络模型建立之前，先对原始心电信号进行去噪。小波变换由于其良好的时-频局部化性能，被广泛应用于处理数字图像等信号领域，故引入小波变换进行去噪处理。
12导联心电图中，QRS波群和T波受心室电活动影响，P波受心房电活动影响。P-QRS-T波群图像的形态是诊断心血管疾病的重要指标。因此，对特征波段的选择至关重要。由于R峰在12导联心电图中是显著的特征(作为QRS波的最高点)，被认为是12导联心电图的定位标志。因此，通过检测R峰来分解12导联心电图的周期，进而来提取每个周期的P-QRS-T波段。
实验中，每个受试者均选取10s的12导联心电信号。由于每个受试者的心率不同，10秒内患者的心跳次数从8次到17次不等。因此，选择的心跳采样点的数量因受试者而异。为了保证数据的真实性，以及一维卷积神经网络模型输入的一致性，以心跳为8次/10s的受试者为标准。每一次心跳共设600个采样点。在这600个采样点中，有200个采样点来自R峰的左侧，399个位于R峰右侧。从受试者的每个导联上，各得到4800个采样点。
采用一维卷积神经网络模型对247个心血管疾病患者和健康受试者进行分类。
提出的一维卷积神经网络模型的网络结构架构如图2所示，其中共包括4层一维卷积层、3层的一维池化层和2层全连接层。一维卷积层的四个卷积核分别为25,25,10,5，卷积核个数分别为128，256，256和512，步长均设置为1。在每一层卷积层后都设置大小为5的池化层，以减少卷积后的参数量，简化一维卷积神经网络复杂度。全连接层将一维卷积神经网络学习到的特征映射到其对应的特征空间进行分类。
为了缓解过拟合现象，引入dropout技术，即按照一定的比例随机丢弃一维卷积神经网络中的部分神经元。并加入Batch Normalization层对中间特征层进行批量标准化，以提高一维卷积神经网络模型的稳定性和运行速度。
一维卷积神经网络经过学习大量的12导联心电信号，将特征参数从后往前逐层反馈不断更新模型的参数，使一维卷积神经网络模型在训练之后再识别12导联心电信号时能够更快速地得到更准确的检测结果。实验中得到的预处理后的12导联心电信号数据，共247组样本，取其中75％进行训练，剩余样本进行测试。所有实验都是在Linux服务器(Ubuntu16.04.4)上进行的，使用的是NVIDIA GeForce GTX 1080Ti(11GB)。采用Adam优化器和二元交叉熵损失函数。此外，在每次训练期间，batchsize设置为8，epoch设置为50。当CNN模型在50-epoch期间对所有导联的12导联心电信号进行训练时，模型在20次迭代后，测试集准确率达到90％，一维卷积神经网络模型在50次迭代后基本趋于收敛，最终得到的一维卷积神经网络模型对测试数据的识别准确率为98.39％。
为了对一维卷积神经网络模型进行详细的评估，选择了以下性能指标作为评价标准：准确率(Accuracy)、召回率(Recall)、精确度(Precision)和F1-score(F1)，定义为
式中，TP、FN、FP分别为真阳性样本、真阴性样本、假阴性样本的数量。其中，TP是被正确诊断为心血管疾病患者的人数，TN是被正确诊断为健康的健康对照组人数，FN是被错误诊断为健康的心血管疾病人数，FP是被错误诊断为心血管疾病的健康受试者的人数。分类结果的性能如下表所示。
表2 评估该算法模型的各评价指标
在临床上，计算机辅助诊断的目的是为了减少漏诊病例，性能指标中的召回率尤为重要，这表明诊断测试实际上能否鉴别出心血管病患者。由表2可知，所有12导联心电信号的召回率值均可达到100％。除上述四种性能指标外，本申请还使用了受试者工作特征曲线(Receiver Operating Characteristic,ROC)和ROC下面积(Area Under Curve,AUC)对模型进行了评价。从图3可以看出，本一维卷积神经网络模型的AUC下面积为0.99，说明该一维卷积神经网络模型具有优异的性能。
该一维卷积神经网络模型与其他分类器相比，各项评价指标如下表所示。进一步可说明该模型的优越性。
表3 常用分类器与该算法模型的各评价指标的直观比较