具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

根据本发明提供的一种基于残差神经网络的冠心病心电图筛查系统，包括：

心电信号处理模块：提取心电图机产生心电信号，使用symlets4小波对心电信号进行多层分解去噪，寻找心电信号转换的心电序列数据中R波的位置，并以其为基准进行心拍分割。本发明使用大量临床心电图数据包括原始可扩展标记语言文件文件以及医生对心电图的临床诊断结果，心电数据含有各种噪声，包含基线漂移、肌电噪声和工频噪声等。使用小波去除心电图上的各种噪声，并结合医生诊断的相关信息和心电波形信息去除记录不良和质量差的数据，然后对数据进行心拍分割，统一填充为固定长度，用于后续训练。

深度特征提取模块：针对经过心电信号处理模块处理过的数据进行平移和缩放来数据增强，并使用包含挤压和激励网络模块的ResneXt50网络提取十二导联心电图的深度特征。对心电信号处理模块产生的数据进行数据增强，将原始心电序列数据进行平移和缩放，将数据准备好了之后，输入包含挤压和激励网络模块的ResneXt50(50层的深度残差神经网络的变体)网络训练，为了适应心电数据的特点，本发明将网络中的所有二维卷积操作换为一维卷积，并在全连接层前，同时使用平均池化和最大池化操作，综合二者的优点，该层的输出即为深度特征，在训练网络时该层后还有一层全连接层，挤压和激励网络模块主要学习了通道之间的相关性，可以提高网络性能，本网络将其加在RestneXt50的瓶颈层块中。该网络可以分发掘冠心病患者十二导联心电图所含的丰富信息，训练后得到能够提取心电图深度特征的网络模型。

树形模型预测模块：将深度特征提取模块提取的深度特征与心电图机数据进行结合，输入训练好的XGBoost模型得到心电图中出现冠心病心电特征的预测概率。使用深度特征提取模块直接提取出512维深度特征，然后将提取的特征与心电图机器得到的心电图相关特征，如心率、电轴、pr间期等十项拼接在一起，使用XGBoost模型进行训练，并调节相关超参数，学习得到概率预测模型。使用时，只需将心电图可扩展标记语言文件放到程序指定位置，先经过神经网络得到神经网络提取的512维特征，再将这些特征与心电图机的提取的波形信息结合，输入XGBoost模型，即可得该名检测者出现冠心病心电特征的概率，医生可以将此数据作为诊断参考。

针对本发明中出现的名词进行解释，xml代表可扩展标记语言；symlets4小波代表近似对称的紧支集双正交小波；ResneXt50是50层的深度残差神经网络的变体；XGBoost模型是一种基于决策树的集成机器学习算法，采用了梯度提升框架的模型。

本发明还提供一种基于残差神经网络的冠心病心电图筛查方法，包括如下步骤：

步骤1：将心电图机产生的xml文件中的十二导联心电序列数据和心电特征数据提取出来，并对心电序列数据进行小波变换去噪，使用心拍分割算法将心电信号进行分割，最后进行填充得到固定长度的心电数据；

步骤2：将步骤1得到的数据进行数据增强提高系统的鲁棒性，然后输入训练好的包含挤压和激励网络模块的ResneXt50网络，提取512维深度特征；

步骤3：将提取到的深度特征与心电图机得到的10维心电图特征拼成522维数据，通过数据输入训练好的XGBoost模型进行判断，得到待筛查者心电图具有冠心病相关心电特征的的概率。

本发明使用数据是心电图机生成的可扩展标记语言格式的十二导联心电图序列数据和十维的心电特征，这些心电图已经由有经验的医生给出心电图的诊断结果。首先本发明对数据进行清洗，将医生标注为记录不良的数据清除，然后根据医生诊断结果将标签分为三类，包括正常心电图，冠心病相关心电图，以及与冠心病无关的异常心电图，分别使用标签0，1，2进行标记。

Symlet小波函数是近似对称的小波函数，备较好的正则性，能够一定程度上减少对信号在分析和重构时的相位失真。选取Symlets4小波函数对心电信号进行7个尺度的分解，将小波分解的低频信号视为心电信号的基线漂移，即将尺度1的小波系数视为基线漂移，尺度1的小波系数差值非常大的心电图是漂移很强的信号，会造成干扰，直接予以删除，然后对尺度1的系数使用硬阈值方法过滤细节系数，直接将其置为零，压制基线漂移噪声，尺度6、7的小波系数代表工频、肌电噪声，直接将其小波系数置为零，然后通过小波重构获得去噪后的心电信号。然后对心电图进行心拍分割，首先寻找R波的位置，本发明时采取的方式是先找出所有极值所在的点，由于R波波峰值相互差距不大，但与其它波峰的差距极大，因而以心电图最大值乘以0.6的积作为阈值，比该值大的值即为阈值，然后以RR间距的平均值作为周期T，以R波前0.35*T距离的点为起点，R波前0.65*T距离的点为终点，截取心拍，然后通过填充0的方式将心拍数据填充为长度为600的序列数据。

得到去噪后的十二导联心电心拍数据后，本发明对数据进行了数据增强，提高模型的鲁棒性。如图1，首先生成一个随机数，如果随机数小于0.5则不进行处理，大于0.5，则随机在均值为1，标准差为0.1的正态分布上取一个值a，将该值乘以心电序列的每一个值，然后随机生成一个-20至20之间的偏移量b，让心电序列中的每个值都加上这个偏移量。经过这样的数据增强后，原始数据x与变换后的数据x’的关系如下：

x′＝x*a+b

数据输入包含挤压和激励网络模块的ResneXt50网络中训练。本发明将网络中的卷积操作全部换成一维卷积，离散一维卷积计算公式为:

包含挤压和激励网络模块的ResneXt50网络的结构如图2，数据进入网络后经过一个1维卷积层和最大池化层后，进入重复的瓶颈层中，最后经过平均池化和最大层转换为一维数据后，经过全连接层，得到最终的三维预测值。在每个瓶颈层中，首先进行卷积核为1的变换维度操作，然后使用分组卷积，最后使用核为1的变换维度的操作得到相应尺寸的数据。它与50层的深度残差神经网络的差别在于使用了分组卷积，这一操作相当于在增加了网络“宽度”的同时没有增加参数数量，获得了比深度残差神经网络更好的效果。

挤压和激励网络模块的结构如图3，挤压和激励网络模块思想简单，易于实现，主要学习了通道之间的相关性，稍微增加了一点计算量，但是效果比较好。通过图3可以理解它的实现过程，通过对卷积得到的特征图通过池化、全连接层、sigmoid层可以将数据映射到0到1之间，得到一个和通道个数相同的一维向量作为每个通道的评价分数，然后将改分数分别施加到对应的通道上，本发明中挤压和激励网络模块加在ResneXt50网络的瓶颈层中。网络的损失函数采用采用交叉熵函数，使用Adam优化器，也就是自适应梯度优化器，训练完成后，可以将预测数据输入网络，然后对输出使用归一化指数函数计算各类的概率。

XGBoost基于提升树算法，本质是将许多树模型集成在一起，默认所用到的树模型是分类回归树，该树是二叉树，不断将特征进行分裂。比如当前树结点是基于第j个特征值进行分裂的，设该特征值小于s的样本划分为左子树，大于s的样本划分为右子树。分类回归树实质上就是在该特征维度对样本空间进行划分，而这种空间划分的优化是一种复杂度很高的问题，因此，在决策树模型中是使用启发式方法解决。根据训练特征及训练数据构建分类树，判定每条数据的预测结果。其中构建树使用基尼指数计算增益，即进行构建树的特征选取，基尼指数公式如式(1),基尼指数(Gini)计算增益公式如式(2)：

p_k表示数据集D中类别k的概率，K表示类别个数；

D表示整个数据集，D1和D2分别表示数据集中特征为A的数据集和特征非A的数据集，Gini(D1)表示特征为A的数据集的基尼指数。

训练XGBoost模型时，首先将步骤2中训练好的包含挤压和激励网络模块的ResneXt50网络模型的全连接层去除，然后将训练数据输入，即可得到用于树模型训练的512维深度特征，然后将10维心电图机的数据与深度特征横向拼接起来，得到522维训练数据，将此数据输入XGBoost模型训练，调整学习率、最大深度、每棵树采用列数占比等参数，得到最终预测模型。

心电图预测，将用来测试的病人的十二导联心电图数据输入去除全连接层的神经网络模型，得到深度特征，然后将其与心电图机输出的十维心电特征拼接，输入训练好的XGBoost模型，即可得到心电图具有冠心病相关心电特征的概率。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。