一种基于深度神经网络的多标签多导联心电图分类方法

摘要

本发明提供一种基于深度神经网络的多标签多导联心电图分类方法，将原始心电信号经过预处理为12导联信号输入到多尺度残差网络模型中进行处理分类，多尺度残差网络模型包括特征融合部分以及多尺度特征融合部分；特征融合部分包括卷积层以及第一最大池化层，多尺度特征融合部分包括32层卷积网络层以及全连接层，全连接层包括两个第二最大池化层，卷积层与第一最大池化层之间、每个分支的32层卷积层与第二最大池化层之间均依次设置通道空间注意力机制模块；本发明提供的多标签多导联心电图分类方法中的多尺度残差网络模型具有良好的表现性能，并且具有良好的泛化性能。

说明书

技术领域

本发明属于心电监测领域，具体为一种基于深度神经网络的多标签多导联心电图分类方法。

背景技术

最近几年国内外使用心电自动分析技术来辅助医生诊断心电图研究成为了比较热门的研究方向。心电图类型识别的工作大致可以分为两个方面：分别是单标签心电图分类问题和多标签心电图分类问题。根据不同时期所使用的技术方法不同又可以分为：传统的机器学习分类器和深度神经网络心电图分类，例如基于机器学习的单标签心电图分类、基于深度学习的单标签心电图分类、基于深度学习的多标签心电图分类。

基于机器学习的单标签心电图分类，是先从心电信号中提取特征参数，再将特征参数送往不同的分类器中进行分类；虽然该方法达到较好效果，但是特征的选择对于最终的结果影响占比很大，并且需要手工进行特征提取工作，对于ECG数据庞大的数据库浪费时间和精力。

基于深度学习的单标签心电图分类，深度学习因为其能够自动提取数据特征的特性，可以省去传统机器学习手工提取的步骤进行大量数据的自动学习，已被广泛应用于ECG分类研究；随着深度学习(Deep leaming，DL)理论的提出，很多研究人员将深度学习算法引入心电图，通过深度学习方法实现心血管疾病的自动检测，结果表明将计算机应用于心搏识别领域可以大大提高心律失常的诊断效率。

基于深度学习的多标签心电图分类，心电信号在一段时间范围内不只出现一个信号分类结果，许多研究人员也注意到了这点；在2018年中国生理信号数据挑战赛中，竞赛的数据为12导联的心电数据，对应的数据标签为9种疾病类型中的一个或多个；还有2019年“合肥高新杯心电人机智能大赛--心电异常事件预测”中的数据给出了8导联的定长数据对应疾病类型为55种心电异常事件类型中的一种或多种；因此开展多标签的心电图分类是有意义的；随着多标签的心电图分类研究工作的开展，提出了多种心电数据的多标签分类提供了可行的分析方法，但这些方法都是在单一数据库或私有数据库上进行的，不能反映模型在实际临床数据库中的应用效果。

发明内容

针对现有技术的不足，本发明提供了一种基于深度神经网络的多标签多导联心电图分类方法，解决了上述背景技术中提出的问题。

一种基于深度神经网络的多标签多导联心电图分类方法，将原始心电信号经过预处理为12导联信号输入到多尺度残差网络模型中进行处理分类，所述多尺度残差网络模型包括特征融合部分以及多尺度特征融合部分，所述12导联信号经过特征融合部分处理后形成两个包含32层卷积层和一个平均池层的分支，两个分支分别赋予不同尺度的卷积核，两个分支经过多尺度特征融合部分处理后输出1024个节点，1024个节点经过输出层输出多标签心电类别；所述特征融合部分包括卷积层以及第一最大池化层，所述多尺度特征融合部分包括32层卷积网络层以及全连接层，所述全连接层包括两个第二最大池化层，所述卷积层与第一最大池化层之间、每个分支的32层卷积层与第二最大池化层之间均依次设置通道注意力机制模块以及空间注意力机制模块。

进一步，所述特征融合部分的卷积层采用的64个尺度为15的卷积核。

进一步，所述特征融合部分的两个分支的30层卷积网络层分别采用64个尺度为3的卷积核和64个尺度为7的卷积核。

进一步，所述特征融合部分的数据处理过程为，所述12导联信号经过卷积层处理得到数据集F，所述数据集F经过通道注意力机制模块处理后得到数据集M

进一步，所述多尺度特征融合部分的数据处理过程为，经过第一最大池化层处理后得到的两个包含32层卷积层和一个平均池层的分支数据，分别经过与特征融合部分中卷积层至第一最大池化层之间相同的处理过程处理后传输至全连接层中的第二大池化层。

进一步，将原始心电信号经过预处理为12导联信号的具体处理过程为：将提取的8导联原始心电数据转换为12导联数据，将所述12导联数据的整数数据都乘以4.88微伏后得到真实心电数据，在将真实心电数据经过变长数据处理和数据增强得到12导联信号。

进一步，所述变长数据处理为取真实心电数据的5000个点，并舍去最开始的1.25s，取中间的10s数据；所述数据增强为，将获取的中间的10s数据使用高斯分布进行归一化处理，再将归一化处理后的数据通过竖直翻转、上下平移20个采样点，以增加数据的样本。

与现有技术相比，本发明的有益效果如下：

本发明在多尺度残差网络模型中引入通道注意力机制和空间注意力机制，能够关注到通道信息和空间信息，对重要数据进行过滤，更加关注异常心电图上的更重要的数据片段和异常数据通道，为其分配更大权重，从而提高多尺度残差网络模型的表现性能，并且引入通道注意力机制和空间注意力机制后的多尺度残差网络模型具有良好的泛化性能。

附图说明

图1为本发明的流程图。

具体实施方式

下面将结合本发明实施例中的，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

一种基于深度神经网络的多标签多导联心电图分类方法，将原始心电信号经过预处理为12导联信号输入到多尺度残差网络模型中进行处理分类，所述多尺度残差网络模型包括特征融合部分以及多尺度特征融合部分，所述12导联信号经过特征融合部分处理后形成两个包含32层卷积层和一个平均池层的分支，两个分支分别赋予不同尺度的卷积核，两个分支经过多尺度特征融合部分处理后输出1024个节点，1024个节点经过输出层输出多标签心电类别；所述特征融合部分包括卷积层以及第一最大池化层，所述多尺度特征融合部分包括32层卷积网络层以及全连接层，所述全连接层包括两个第二最大池化层，所述卷积层与第一最大池化层之间、每个分支的32层卷积层与第二最大池化层之间均依次设置通道注意力机制模块以及空间注意力机制模块；本发明中，在多尺度残差网络模型的收尾引入通道空间注意力机制，即在多尺度残差网络模型的第一个卷积层之后和两个尺度上最后一层池化层之前分别增加通道空间注意力机制，定义为CSA-MResNte37。

本发明中，所述特征融合部分的卷积层采用的64个尺度为15的卷积核；所述特征融合部分的两个分支的30层卷积网络层分别采用64个尺度为3的卷积核和64个尺度为7的卷积核；在使用卷积神经网络进行特征提取的过程中，由于卷积核所使用的滤波器大小不同，感受野的大小不同，最终经过卷积操作后得到的卷积特征也是不同的，因此，在多尺度特征融合部分对两个分支采用不同尺度的卷积核以获得更加全面的特征，进而获得更加全面的心电疾病类别分类。

本发明中，所述特征融合部分的数据处理过程为，所述12导联信号经过卷积层处理得到数据集F，所述数据集F经过通道注意力机制模块处理后得到数据集M

本发明中，所述多尺度特征融合部分的数据处理过程为，经过第一最大池化层处理后得到的两个包含32层卷积层和一个平均池层的分支数据，分别经过与特征融合部分中卷积层至第一最大池化层之间相同的处理过程处理后传输至全连接层中的第二大池化层。

本发明中，将原始心电信号经过预处理为12导联信号的具体处理过程为：将提取的8导联原始心电数据转换为12导联数据，将所述12导联数据的整数数据都乘以4.88微伏后得到真实心电数据，在将真实心电数据经过变长数据处理和数据增强得到12导联信号。

本发明中，所述变长数据处理为取真实心电数据的5000个点，并舍去最开始的1.25s，取中间的10s数据；所述数据增强为，将获取的中间的10s数据使用高斯分布进行归一化处理，再将归一化处理后的数据通过竖直翻转、上下平移20个采样点，以增加数据的样本。

本发明提供的多尺度残差网络模型属兔12导联信号的心电数据，然后经过卷积层和最大池化层之后包含2个分支。每个分支有32层卷积和一个平均池层，在卷积的基础上增加剩余连接以防止饱和后由于加深而导致的准确率迅速下降，在每个池化层之前增加通道空间注意机制，以获得更重要的权重。该模型可以分为上下两部分：特征融合和多尺度特征融合。特征融合包括卷积、通道空间注意机制和池化层。在这一部分中，卷积被设置为15，并且只提取该尺度下的数据特征集。然后通过通道空间注意机制对重要信息进行过滤，最后通过池化层对信息进行融合。在多尺度特征融合部分，两个分支上分别被赋予不同尺度的卷积核，可以提取不同尺度的卷积核。在每个分支中，设置32层剩余网络和信道空间注意机制。然后，通过池化层将两个不同尺度的分支的特征进行聚合。最后，将两个尺度上的信息合并后发送到全连接层，进行9种多标签心电图分类。

实验分析过程如下：

1、实验设计，为证明所添加的注意力机制有效和更好的比较添加不同注意力机制的实验结果，使用中国心血管疾病数据库进行实验。从实验结果中选取最佳性能的模型进行泛化实验，使用其他数据库进行测试，在Precision、Recall和F

2、比较添加不同注意力机制的实验，分别对比添加通道注意力机制的多尺度残差网络模型SE-MResNet37、将通道空间注意力机制添加到多尺度残差网络残差块内的MS-CSA-ResNet37、将通道空间注意力机制添加到多尺度残差网络首尾两端的CSA-MResNet37、未引入注意力机制的多尺度残差网络的MResNet-37这四个个模型在中国心血管疾病数据库上多标签心电图分类的表现；

上述三种引入注意力机制的多尺度残差网络模型结构对比如下表：

其中conv15表示卷积核的大小为15，*3@64表示该层有64个卷积核并且有3个该数目的块，ca和sa分别表示通道注意(channel attention)和空间注意力(spatialattention)；

未引入注意力机制的多尺度残差网络模型结构如下：

上述四种多尺度残差网络模型在中国心血管疾病数据库的实验结果分析如下：

从上表的结果可以看出，与没有添加注意力机制的MResNet-37相比，SE-MResNet37的F

3、其他数据库泛化验证

将在中国心血管疾病数据库上训练好的模型CSA-MResNet37直接应用于合肥高新杯心电异常事件检测测试集上的9种疾病类型进行测试，按照相应的指标对结果进行评估，结果如下表：

在HF-challenge testA上验证提出模型的泛化分类性能

上表中结果表明，CSA-MResNet-37模型在SA、TWC和APB类别上的平均F

4、正异常二分类实验结果

将在多标签心电异常事件中表现性能最好的CSA-MResNet37模型在正异常二分类上进行实验，将全连接层的输出修改为阈值最大输出，并在上述五个指标中观察模型的最终表现性能，并且增加AUC指标作为二分类的实验评估标准。

最终在二分类间题上的综合表现性能如下表所示；

CSA-MResNet模型在CCDD上二分类的实验结果

综上所述，本发明提供的将通道空间注意力机制添加在多尺度残差网络模型首尾两端，有效提高多尺度残差网络模型的表现性能，并且具有良好的泛化性能。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。