[go: up one dir, main page]

CN106214145B - 一种基于深度学习算法的心电图分类方法 - Google Patents

一种基于深度学习算法的心电图分类方法 Download PDF

Info

Publication number
CN106214145B
CN106214145B CN201610572216.4A CN201610572216A CN106214145B CN 106214145 B CN106214145 B CN 106214145B CN 201610572216 A CN201610572216 A CN 201610572216A CN 106214145 B CN106214145 B CN 106214145B
Authority
CN
China
Prior art keywords
electrocardiogram
waveform data
waveform
information
pqrst
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610572216.4A
Other languages
English (en)
Other versions
CN106214145A (zh
Inventor
杨一平
朱欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201610572216.4A priority Critical patent/CN106214145B/zh
Publication of CN106214145A publication Critical patent/CN106214145A/zh
Application granted granted Critical
Publication of CN106214145B publication Critical patent/CN106214145B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Power Engineering (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种基于深度学习算法的心电图分类方法，包括以下步骤：a.取得测量时间在8秒以上的原始心电图波形数据、心电图附加信息并根据原始心电图波形数据获取心电图节律信息、代表PQRST波形数据；b.对深度学习算法的神经网络进行训练并将心电图节律信息、代表PQRST波形数据、心电图附加信息排列成一维数据后通过训练完的深度学习算法进行波形分类，得到心电图分类结果。本发明中把深度学习方法导入心电图分类领域，合理地结合心电图分类的特点，并通过以上步骤对深度学习方法进行训练并用深度学习方法进行波形分类，能够大幅度提高给医生提供心电图分类辅助信息的信息质量。

Description

一种基于深度学习算法的心电图分类方法
技术领域
本发明涉及心电图分类方法，尤其涉及一种基于深度学习算法的心电图分类方法。
背景技术
心电图波形数据采集及心电图分类结果是医生诊断心脏病疾患的重要辅助手段和参考信息，通常心电图波形数据采集和分类是在医院或体检中心进行，存在检测不方便、检测频率低等缺点，而且不能及时地把心电图分类信息提供给医生来做实时诊断，很难有效地预防和及时治疗心脏病病变。近年来，随着网络、移动智能手机的普及，使得携带式心电监测仪、家庭个人用心电波监测仪的推出成为可能。目前市场上推出的这类监测仪，由于其分类算法是基于传统的心电图测量分类法，在单一波形测量特征不太明显时容易出现误分类，其临床可靠性和准确性较低，无法满足实际的给医生提供辅助诊断信息的需要。
发明内容
本发明针对现有技术中存在的传统的心电图测量分类法在单一波形测量特征不太明显时容易出现误分类，其临床可靠性和准确性较低，无法满足实际的给医生提供辅助诊断信息的需要等缺陷，提供了一种新的基于深度学习算法的心电图分类方法。
为了解决上述技术问题，本发明通过以下技术方案实现：
一种基于深度学习算法的心电图分类方法，包括以下步骤：
a.取得测量时间在8秒以上的原始心电图波形数据、心电图附加信息，并根据原始心电图波形数据进行心电图节律信息的提取、代表PQRST波形的提取，获取心电图节律信息、代表PQRST波形数据；
b.对深度学习算法的神经网络进行训练，将步骤a得到的心电图节律信息、代表PQRST波形数据、心电图附加信息排列成一维数据后通过训练完的深度学习算法进行波形分类，得到心电图分类结果。
深度学习算法是一种人工智能领域的机器学习方法，它含有多隐层的多层感知器，是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，深度学习方法目前已经在图像识别，声音识别等应用领域里被证明了它的有效性，能够大幅度提高了传统方法的识别精度。本发明中把深度学习方法导入心电图分类领域，合理地结合心电图分类的特点，并通过以上步骤对深度学习方法进行训练并用深度学习方法进行波形分类，能够大幅度提高给医生提供心电图分类辅助信息的信息质量。
其中8秒以上的原始心电图波形数据具有数量充足的波形，使得提取得到的心电图节律信息、代表PQRST波形数据更加准确。其中代表PQRST波形的提取能够有效减小非分类要素如人体移动、电极不稳定带来的波形变化影响，同时由于代表PQRST波形的数据量相对原始心电图波形数据中的波形数据少很多，其波形数据更加稳定，可以大幅度减少后期深度学习算法的训练量，提高深度学习算法的计算效率，并提高提供给医生的心电图辅助分类信息的质量。心电图节律信息的提取能够用来提高相关的心电图分类信息的精确度。而将心电图节律信息、代表PQRST波形数据、心电图附加信息排列成一维数据后通过深度学习算法进行波形分类，能够让深度学习算法分析这些信息之间的关联性，从而提高最终的心电图分类的精确度。
作为优选，上述所述的一种基于深度学习算法的心电图分类方法，所述的步骤a中，取得测量时间在8秒以上的原始心电图波形数据后，对原始心电图波形数据进行去噪处理。
能够去除原始心电图波形数据的基线漂移噪音、肌电干扰、工频干扰等，从而进一步提升最终的心电图分类结果的正确率。
作为优选，上述所述的一种基于深度学习算法的心电图分类方法，所述的去噪处理包括以下步骤：
a11.采用高通滤波器去除基线漂移噪音；
a12.基于PQ段信号的标准方差和阈值法确认噪音是否过高；
a13.噪音过高时使用低通巴特沃斯滤波器去除噪音干扰。
通过以上步骤能够有效去除原始心电图波形数据中的基线漂移噪音、肌电干扰、工频干扰等，从而进一步提升最终的心电图分类辅助信息的精确度。
作为优选，上述所述的一种基于深度学习算法的心电图分类方法，所述的步骤a中，所述的心电图节律信息包括平均心室心率、平均RR间隔、最长RR间隔和最短RR间隔之差、RR间隔的标准方差、一致性P波信息、窦房律下各心拍的PR间隔和平均值、R波中预激波检测结果、窦房律下各心拍的QT间期和QTc间期和平均值、窦房律QRS平均波宽、窦房律P波宽和平均波宽、期外收缩信息、期外收缩类型、期外收缩形态、心房扑动的F波和心房颤动的f波的检测结果、非同期P波的检测结果。
以上信息对最终的心电图分类结果具有较大影响，能够进一步提升最终的心电图分类的精确度。
作为优选，上述所述的一种基于深度学习算法的心电图分类方法，所述的步骤a中，代表PQRST波形的提取包括以下步骤：
a21.通过一阶微分法和阈值法，对原始心电图波形数据进行检测，获取P波、QRS波、T波的特征点；
a22.对原始心电图波形数据中的所有PQRST波进行聚类分类，根据分类结果将拥有PQRST波数目最多的类型作为代表PQRST波形，若数目最多的类型为2个以上，选取R波平均振幅最大的类型作为代表PQRST波形，最后使用叠加平均法计算各个心拍的PQRST波的平均波形作为代表PQRST波形。
通过以上步骤，能够有效提取原始心电图波形数据中的P波、QRS波、T波的特征点，而将原始心电图波形数据中的所有PQRST波进行聚类分类，能够有效去除原始心电图波形数据中受到噪音伪差干扰的PQRST波形以及与以及与节律相关的QRST波形，保证得到的代表PQRST波形能够传递更准确的有效信息进行心电图分类。
作为优选，上述所述的一种基于深度学习算法的心电图分类方法，所述的步骤a中，所述的心电图附加信息包括性别、身高、胸围、体重、脂肪率、人种。
以上信息与心电图分类基准有关，对最终的分类结果有较大影响，考虑以上信息能提升心电图分类结果的精确度。
作为优选，上述所述的一种基于深度学习算法的心电图分类方法，所述的原始心电图波形数据为单导联数据。
单导联数据一般适用便携式的心电图检测仪器，使得本发明的适用范围更广。
作为优选，上述所述的一种基于深度学习算法的心电图分类方法，所述的步骤a中的原始心电图波形数据为多导联数据，所述的心电图节律信息由各个导联的心电图节律信息串联成一维数据形成，所述的代表PQRST波形数据由各个导联的代表PQRST波形数据串联成一维数据形成。
多导联的原始心电图波形数据具有更加充分的信息，能提升相关的心电图分类辅助信息的精确度，而由各个导联的心电图节律信息串联成的心电图节律信息以及由各个导联的代表PQRST波形数据串联成的代表PQRST波形数据在通过深度学习算法进行波形分类时，各个导联间的相关性在经过充分的训练后可以得到有效总结，能够进一步提升最终的心电图分类辅助信息的精确度。
作为优选，上述所述的一种基于深度学习算法的心电图分类方法，所述的步骤b中，所述的深度学习算法为卷积神经网络或迭代神经网络或深度神经网络。
以上三种神经网络具有更高的准确率，能够保证最终的心电图分类辅助信息的精确度。
本发明的有益效果如下：
1、本发明将人工智能领域的深度学习算法和传统心电图分类算法进行了合理的结合，能够大幅度提高最终的心电图分类辅助信息的精确度。本发明利用了在传统心电图分类方法里已经被证明的有效信息数据，同时又利用深度学习算法的超强学习能力、特征自动提取、特征分布关系自动分类等优势能力来弥补传统心电图分类方法里存在的特征提取不够精确、特征间相关性分类不充分的缺点，本发明通过深度学习算法能够自动学习大量的心电图波形数据，并总结出各心电图分类的敏感的特征及其分布，从而大幅度提高最终的心电图分类辅助信息的精确度。
2、本发明能够更有效地提供早期治疗时医生所需的心电图分类的辅助信息。传统心电图分类算法是一种静态算法，不具有自我学习能力，而本发明通过将传统心电图分类算法与深度学习算法相结合，一方面能提高心电图分类的正确率和鲁棒性，另一方面能提升对各类心电图分类的理解，提供医生解释各类心脏疾病的机理的辅助信息。
附图说明
图1为本发明一种基于深度学习算法的心电图分类方法的流程图。
具体实施方式
下面结合附图1和具体实施方式对本发明作进一步详细描述，但它们不是对本发明的限制：
实施例1
一种基于深度学习算法的心电图分类方法，其流程图如图1所示，具体包括以下步骤：
a.(1)获取单导联心电图波形数据以及心电图附加信息，并根据该单导联心电图波形数据截取其中长度为10秒的数据作为原始心电图波形数据，其中单导联心电图波形数据以及心电图附加信息可以通过已有的数据库如欧共体心电图波形数据库(CSE)获得，或者通过其它途径获得，心电图附加信息中包括性别、身高、胸围、体重、脂肪率、人种。
(2)根据需要，可对步骤(1)得到的原始心电图波形数据进行去噪处理，去噪处理包括以下步骤：
a11.采用高通滤波器去除基线漂移噪音；
a12.基于PQ段信号的标准方差和阈值法确认噪音是否过高；
a13.噪音过高时使用低通巴特沃斯滤波器去除噪音干扰。
(3)根据原始心电图波形数据计算PQRST波形的区分点，从而根据PQRST波形的区分点进行心电图节律信息的提取，获取心电图节律信息，其中心电图节律信息包括平均心室心率、平均RR间隔、最长RR间隔和最短RR间隔之差、RR间隔的标准方差、一致性P波信息、窦房律下各心拍的PR间隔和平均值、R波中预激波检测结果、窦房律下各心拍的QT间期和QTc间期和平均值、窦房律QRS平均波宽、窦房律P波宽和平均波宽、期外收缩信息、期外收缩类型、期外收缩形态、心房扑动的F波和心房颤动的f波的检测结果、非同期P波的检测结果，而代表PQRST波形通过以下步骤提取：
a21.通过一阶微分法和阈值法，对原始心电图波形数据进行检测，获取P波、QRS波、T波的特征点；
a22.对原始心电图波形数据中的所有PQRST波进行聚类分类，根据分类结果将拥有PQRST波数目最多的类型作为代表PQRST波形，若数目最多的类型为2个以上，选取R波平均振幅最大的类型作为代表PQRST波形类，最后使用叠加平均法计算各个心拍的PQRST波的平均波形作为代表PQRST波形。
(4)为了对卷积神经网络进行训练，还需要获取训练用数据，该训练用数据可从其它相应体检结果中获取，也可以选择从现有的数据库例如从欧共体心电图波形数据库(CSE)中获取，其中训练用数据包括其它相应单导联心电图波形数据以及心电图附加信息，以欧共体心电图波形数据库(CSE)为例，训练用数据的获取步骤为：根据步骤(1)-步骤(3)对欧共体心电图波形数据库(CSE)中各个信息进行处理，获取欧共体心电图波形数据库(CSE)中各个心电图节律信息、代表PQRST波形数据、心电图附加信息。
b.(1)设定卷积神经网络输入层、隐含层、输出层的节点个数，并随机设定相邻层各节点之间的权重。
(2)将步骤a中的步骤(4)得到的训练用数据中的心电图节律信息、代表PQRST波形数据、心电图附加信息排列成一维数据后从卷积神经网络的输入端输入，并把对应的真实心电图分类结果输入到卷积神经网络的结果端来训练卷积神经网络。
(3)在完成对卷积神经网络的训练后，将步骤a的步骤(1)中的心电图附加信息、步骤a的步骤(3)中代表PQRST波形数据以及心电图节律信息排列成一维数据后输入到卷积神经网络的输入端，即可通过卷积神经网络进行波形分类后得到心电图分类结果，其中心电图附加信息、代表PQRST波形数据、心电图节律信息的排列方式可根据实际情况进行选择。
实施例2
一种基于深度学习算法的心电图分类方法，其流程图如图1所示，具体包括以下步骤：
a.(1)获取单导联心电图波形数据以及心电图附加信息，并根据该单导联心电图波形数据截取其中长度为8秒的数据作为原始心电图波形数据，其中单导联心电图波形数据以及心电图附加信息可以通过已有的数据库如欧共体心电图波形数据库(CSE)获得，或者通过其它途径获得，心电图附加信息中包括性别、身高、胸围、体重、脂肪率、人种。
(2)根据需要，可对步骤(1)得到的原始心电图波形数据进行去噪处理，去噪处理包括以下步骤：
a11.采用高通滤波器去除基线漂移噪音；
a12.基于PQ段信号的标准方差和阈值法确认噪音是否过高；
a13.噪音过高时使用低通巴特沃斯滤波器去除噪音干扰。
(3)根据原始心电图波形数据计算PQRST波形的区分点，从而根据PQRST波形的区分点进行心电图节律信息的提取，获取心电图节律信息，其中心电图节律信息包括平均心室心率、平均RR间隔、最长RR间隔和最短RR间隔之差、RR间隔的标准方差、一致性P波信息、窦房律下各心拍的PR间隔和平均值、R波中预激波检测结果、窦房律下各心拍的QT间期和QTc间期和平均值、窦房律QRS平均波宽、窦房律P波宽和平均波宽、期外收缩信息、期外收缩类型、期外收缩形态、心房扑动的F波和心房颤动的f波的检测结果、非同期P波的检测结果，而代表PQRST波形通过以下步骤提取：
a21.通过一阶微分法和阈值法，对原始心电图波形数据进行检测，获取P波、QRS波、T波的特征点；
a22.对原始心电图波形数据中的所有PQRST波进行聚类分类，根据分类结果将拥有PQRST波数目最多的类型作为代表PQRST波形，若数目最多的类型为2个以上，选取R波平均振幅最大的类型作为代表PQRST波形类，最后使用叠加平均法计算各个心拍的PQRST波的平均波形作为代表PQRST波形。
(4)为了对迭代神经网络进行训练，还需要获取训练用数据，该训练用数据可以选择从现有的数据库例如从欧共体心电图波形数据库(CSE)中获取，其中训练用数据包括其它相应被单导联心电图波形数据以及心电图附加信息，以欧共体心电图波形数据库(CSE)为例，训练用数据的获取步骤为：根据步骤(1)-步骤(3)对欧共体心电图波形数据库(CSE)中各个信息进行处理，获取欧共体心电图波形数据库(CSE)中各个心电图节律信息、代表PQRST波形数据、心电图附加信息。
b.(1)设定迭代神经网络输入层、隐含层、输出层的节点个数，并随机设定相邻层各节点之间的权重。
(2)将步骤a中的步骤(4)得到的训练用数据中的心电图节律信息、代表PQRST波形数据、心电图附加信息排列成一维数据后从迭代神经网络的输入端输入，并把对应的真实分类结果输入到迭代神经网络的结果端来训练迭代神经网络。
(3)在完成对迭代神经网络的训练后，将步骤a的步骤(1)中的心电图附加信息、步骤a的步骤(3)中代表PQRST波形数据以及心电图节律信息排列成一维数据后输入到迭代神经网络的输入端，即可通过迭代神经网络进行波形分类后得到心电图分类结果，其中心电图附加信息、代表PQRST波形数据、心电图节律信息的排列方式可根据实际情况进行选择。
实施例3
一种基于深度学习算法的心电图分类方法，其流程图如图1所示，具体包括以下步骤：
a.(1)获取单导联心电图波形数据以及心电图附加信息，并根据该单导联心电图波形数据截取其中长度为16秒的数据作为原始心电图波形数据，其中单导联心电图波形数据以及心电图附加信息可以通过已有的数据库如欧共体心电图波形数据库(CSE)获得，或者通过其它途径获得，心电图附加信息中包括性别、身高、胸围、体重、脂肪率、人种。
(2)根据需要，可对步骤(1)得到的原始心电图波形数据进行去噪处理，去噪处理包括以下步骤：
a11.采用高通滤波器去除基线漂移噪音；
a12.基于PQ段信号的标准方差和阈值法确认噪音是否过高；
a13.噪音过高时使用低通巴特沃斯滤波器去除噪音干扰。
(3)根据原始心电图波形数据计算PQRST波形的区分点，从而根据PQRST波形的区分点进行心电图节律信息的提取，获取心电图节律信息，其中心电图节律信息包括平均心室心率、平均RR间隔、最长RR间隔和最短RR间隔之差、RR间隔的标准方差、一致性P波信息、窦房律下各心拍的PR间隔和平均值、R波中预激波检测结果、窦房律下各心拍的QT间期和QTc间期和平均值、窦房律QRS平均波宽、窦房律P波宽和平均波宽、期外收缩信息、期外收缩类型、期外收缩形态、心房扑动的F波和心房颤动的f波的检测结果、非同期P波的检测结果，而代表PQRST波形通过以下步骤提取：
a21.通过一阶微分法和阈值法，对原始心电图波形数据进行检测，获取P波、QRS波、T波的特征点；
a22.对原始心电图波形数据中的所有PQRST波进行聚类分类，根据分类结果将拥有PQRST波数目最多的类型作为代表PQRST波形，若数目最多的类型为2个以上，选取R波平均振幅最大的类型作为代表PQRST波形类，最后使用叠加平均法计算各个心拍的PQRST波的平均波形作为代表PQRST波形。
(4)为了对深度神经网络进行训练，还需要获取训练用数据，该训练用数据可从其它相应体检结果中获取，也可以选择从现有的数据库例如从欧共体心电图波形数据库(CSE)中获取，其中训练用数据包括其它相应单导联心电图波形数据以及心电图附加信息，以欧共体心电图波形数据库(CSE)为例，训练用数据的获取步骤为：根据步骤(1)-步骤(3)对欧共体心电图波形数据库(CSE)中各个信息进行处理，获取欧共体心电图波形数据库(CSE)中各个心电图节律信息、代表PQRST波形数据、心电图附加信息。
b.(1)设定深度神经网络输入层、隐含层、输出层的节点个数，并随机设定相邻层各节点之间的权重。
(2)将步骤a中的步骤(4)得到的训练用数据中的心电图节律信息、代表PQRST波形数据、心电图附加信息排列成一维数据后从深度神经网络的输入端输入，并把对应的真实心电图分类结果输入到深度神经网络的结果端来训练深度神经网络。
(3)在完成对深度神经网络的训练后，将步骤a的步骤(1)中的心电图附加信息、步骤a的步骤(3)中代表PQRST波形数据以及心电图节律信息排列成一维数据后输入到深度神经网络的输入端，即可通过深度神经网络进行波形分类后得到心电图分类结果，其中心电图附加信息、代表PQRST波形数据、心电图节律信息的排列方式可根据实际情况进行选择。
实施例4
一种基于深度学习算法的心电图分类方法，其流程图如图1所示，具体包括以下步骤：
a.(1)获取多导联心电图波形数据以及心电图附加信息，并根据该多导联心电图波形数据截取其中长度为10秒的数据作为原始心电图波形数据，其中多导联心电图波形数据以及心电图附加信息可，也可以通过已有的数据库如欧共体心电图波形数据库(CSE)获得，或者通过其它途径获得，该多导联心电图波形数据可以为十二导联心电图波形数据、三导联心电图波形数据、六导联心电图波形数据、十八导联心电图波形数据等多导联心电图波形数据。心电图附加信息中包括性别、身高、胸围、体重、脂肪率、人种。
(2)根据需要，可对步骤(1)得到的原始心电图波形数据进行去噪处理，去噪处理包括以下步骤：
a11.采用高通滤波器去除基线漂移噪音；
a12.基于PQ段信号的标准方差和阈值法确认噪音是否过高；
a13.噪音过高时使用低通巴特沃斯滤波器去除噪音干扰。
(3)根据原始心电图波形数据计算PQRST波形的区分点，从而根据PQRST波形的区分点进行心电图节律信息的提取，获取心电图节律信息，其中心电图节律信息包括平均心室心率、平均RR间隔、最长RR间隔和最短RR间隔之差、RR间隔的标准方差、一致性P波信息、窦房律下各心拍的PR间隔和平均值、R波中预激波检测结果、窦房律下各心拍的QT间期和QTc间期和平均值、窦房律QRS平均波宽、窦房律P波宽和平均波宽、期外收缩信息、期外收缩类型、期外收缩形态、心房扑动的F波和心房颤动的f波的检测结果、非同期P波的检测结果，而代表PQRST波形通过以下步骤提取：
a21.通过一阶微分法和阈值法，对原始心电图波形数据进行检测，获取P波、QRS波、T波的特征点；
a22.对原始心电图波形数据中的所有PQRST波进行聚类分类，根据分类结果将拥有PQRST波数目最多的类型作为代表PQRST波形，若数目最多的类型为2个以上，选取R波平均振幅最大的类型作为代表PQRST波形类，最后使用叠加平均法计算各个心拍的PQRST波的平均波形作为代表PQRST波形。
(4)为了对卷积神经网络进行训练，还需要获取训练用数据，该训练用数据可从选择从现有的数据库例如从欧共体心电图波形数据库(CSE)中获取，其中训练用数据包括其它相应多导联心电图波形数据以及心电图附加信息，以欧共体心电图波形数据库(CSE)为例，训练用数据的获取步骤为：根据步骤(1)-步骤(3)对欧共体心电图波形数据库(CSE)中各个信息进行处理，获取欧共体心电图波形数据库(CSE)中各个心电图节律信息、代表PQRST波形数据、心电图附加信息。
b.(1)设定卷积神经网络输入层、隐含层、输出层的节点个数，并随机设定相邻层各节点之间的权重。
(2)将步骤a中的步骤(4)得到的训练用数据中的心电图节律信息、代表PQRST波形数据、心电图附加信息排列成一维数据后从卷积神经网络的输入端输入，并把对应的真实心电图分类结果输入到卷积神经网络的结果端来训练卷积神经网络。
(3)在完成对卷积神经网络的训练后，将步骤a的步骤(1)中的心电图附加信息、步骤a的步骤(3)中代表PQRST波形数据以及心电图节律信息排列成一维数据后输入到卷积神经网络的输入端，即可通过卷积神经网络进行波形分类后得到心电图分类结果，其中心电图附加信息、代表PQRST波形数据、心电图节律信息的排列方式可根据实际情况进行选择。
实施例5
一种基于深度学习算法的心电图分类方法，其流程图如图1所示，具体包括以下步骤：
a.(1)获取多导联心电图波形数据以及心电图附加信息，并根据该多导联心电图波形数据截取其中长度为8秒的数据作为原始心电图波形数据，其中多导联心电图波形数据以及心电图附加信息可，也可以通过已有的数据库如欧共体心电图波形数据库(CSE)获得，或者通过其它途径获得，该多导联心电图波形数据可以为十二导联心电图波形数据、三导联心电图波形数据、六导联心电图波形数据、十八导联心电图波形数据等多导联心电图波形数据。心电图附加信息中包括性别、身高、胸围、体重、脂肪率、人种。
(2)根据需要，可对步骤(1)得到的原始心电图波形数据进行去噪处理，去噪处理包括以下步骤：
a11.采用高通滤波器去除基线漂移噪音；
a12.基于PQ段信号的标准方差和阈值法确认噪音是否过高；
a13.噪音过高时使用低通巴特沃斯滤波器去除噪音干扰。
(3)根据原始心电图波形数据计算PQRST波形的区分点，从而根据PQRST波形的区分点进行心电图节律信息的提取，获取心电图节律信息，其中心电图节律信息包括平均心室心率、平均RR间隔、最长RR间隔和最短RR间隔之差、RR间隔的标准方差、一致性P波信息、窦房律下各心拍的PR间隔和平均值、R波中预激波检测结果、窦房律下各心拍的QT间期和QTc间期和平均值、窦房律QRS平均波宽、窦房律P波宽和平均波宽、期外收缩信息、期外收缩类型、期外收缩形态、心房扑动的F波和心房颤动的f波的检测结果、非同期P波的检测结果，而代表PQRST波形通过以下步骤提取：
a21.通过一阶微分法和阈值法，对原始心电图波形数据进行检测，获取P波、QRS波、T波的特征点；
a22.对原始心电图波形数据中的所有PQRST波进行聚类分类，根据分类结果将拥有PQRST波数目最多的类型作为代表PQRST波形，若数目最多的类型为2个以上，选取R波平均振幅最大的类型作为代表PQRST波形类，最后使用叠加平均法计算各个心拍的PQRST波的平均波形作为代表PQRST波形。
(4)为了对迭代神经网络进行训练，还需要获取训练用数据，该训练用数据可从其它相应体检结果中获取，也可以选择从现有的数据库例如从欧共体心电图波形数据库(CSE)中获取，其中训练用数据包括其它相应多导联心电图波形数据以及心电图附加信息，以欧共体心电图波形数据库(CSE)为例，训练用数据的获取步骤为：根据步骤(1)-步骤(3)对欧共体心电图波形数据库(CSE)中各个信息进行处理，获取欧共体心电图波形数据库(CSE)中各个心电图节律信息、代表PQRST波形数据、心电图附加信息。
b.(1)设定迭代神经网络输入层、隐含层、输出层的节点个数，并随机设定相邻层各节点之间的权重。
(2)将步骤a中的步骤(4)得到的训练用数据中的心电图节律信息、代表PQRST波形数据、心电图附加信息排列成一维数据后从迭代神经网络的输入端输入，并把对应的真实心电图分类结果输入到迭代神经网络的结果端来训练迭代神经网络。
(3)在完成对迭代神经网络的训练后，将步骤a的步骤(1)中的心电图附加信息、步骤a的步骤(3)中代表PQRST波形数据以及心电图节律信息排列成一维数据后输入到迭代神经网络的输入端，即可通过迭代神经网络进行波形分类后得到心电图分类结果，其中心电图附加信息、代表PQRST波形数据、心电图节律信息的排列方式可根据实际情况进行选择。
实施例6
一种基于深度学习算法的心电图分类方法，其流程图如图1所示，具体包括以下步骤：
a.(1)获取多导联心电图波形数据以及心电图附加信息，并根据该多导联心电图波形数据截取其中长度为16秒的数据作为原始心电图波形数据，其中多导联心电图波形数据以及心电图附加信息可，也可以通过已有的数据库如欧共体心电图波形数据库(CSE)获得，或者通过其它途径获得，该多导联心电图波形数据可以为十二导联心电图波形数据、三导联心电图波形数据、六导联心电图波形数据、十八导联心电图波形数据等多导联心电图波形数据。心电图附加信息中包括性别、身高、胸围、体重、脂肪率、人种。
(2)根据需要，可对步骤(1)得到的原始心电图波形数据进行去噪处理，去噪处理包括以下步骤：
a11.采用高通滤波器去除基线漂移噪音；
a12.基于PQ段信号的标准方差和阈值法确认噪音是否过高；
a13.噪音过高时使用低通巴特沃斯滤波器去除噪音干扰。
(3)根据原始心电图波形数据计算PQRST波形的区分点，从而根据PQRST波形的区分点进行心电图节律信息的提取，获取心电图节律信息，其中心电图节律信息包括平均心室心率、平均RR间隔、最长RR间隔和最短RR间隔之差、RR间隔的标准方差、一致性P波信息、窦房律下各心拍的PR间隔和平均值、R波中预激波检测结果、窦房律下各心拍的QT间期和QTc间期和平均值、窦房律QRS平均波宽、窦房律P波宽和平均波宽、期外收缩信息、期外收缩类型、期外收缩形态、心房扑动的F波和心房颤动的f波的检测结果、非同期P波的检测结果，而代表PQRST波形通过以下步骤提取：
a21.通过一阶微分法和阈值法，对原始心电图波形数据进行检测，获取P波、QRS波、T波的特征点；
a22.对原始心电图波形数据中的所有PQRST波进行聚类分类，根据分类结果将拥有PQRST波数目最多的类型作为代表PQRST波形，若数目最多的类型为2个以上，选取R波平均振幅最大的类型作为代表PQRST波形类，最后使用叠加平均法计算各个心拍的PQRST波的平均波形作为代表PQRST波形。
(4)为了对深度神经网络进行训练，还需要获取训练用数据，该训练用数据可从其它相应体检结果中获取，也可以选择从现有的数据库例如从欧共体心电图波形数据库(CSE)中获取，其中训练用数据包括其它相应多导联心电图波形数据以及心电图附加信息，以欧共体心电图波形数据库(CSE)为例，训练用数据的获取步骤为：根据步骤(1)-步骤(3)对欧共体心电图波形数据库(CSE)中各个信息进行处理，获取欧共体心电图波形数据库(CSE)中各个心电图节律信息、代表PQRST波形数据、心电图附加信息。
b.(1)设定深度神经网络输入层、隐含层、输出层的节点个数，并随机设定相邻层各节点之间的权重。
(2)将步骤a中的步骤(4)得到的训练用数据中的心电图节律信息、代表PQRST波形数据、心电图附加信息排列成一维数据后从深度神经网络的输入端输入，并把对应的真实心电图分类结果输入到深度神经网络的结果端来训练深度神经网络。
(3)在完成对深度神经网络的训练后，将步骤a的步骤(1)中的心电图附加信息、步骤a的步骤(3)中代表PQRST波形数据以及心电图节律信息排列成一维数据后输入到深度神经网络的输入端，即可通过深度神经网络进行波形分类后得到心电图分类结果，其中心电图附加信息、代表PQRST波形数据、心电图节律信息的排列方式可根据实际情况进行选择。
实施例7
本实施例将实施例1至实施例6的心电图分类结果与传统测量法的心电图分类结果从敏感度、特异度这两方面进行了比较，比较结果如下表所示：
从上表可知，通过本发明得到的心电图分类结果，其敏感度、特异度相比传统测量法得到的心电图分类结果提高了约10%，基本保持在97%左右，能够很好地满足实际的给医生提供辅助诊断所需要的心电图分类信息的需要。
总之，以上所述仅为本发明的较佳实施例，凡依本发明申请专利的范围所作的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (5)

1.一种基于深度学习算法的心电图分类方法，其特征在于包括以下步骤：
a.取得测量时间在8秒以上的原始心电图波形数据、心电图附加信息，对原始心电图波形数据进行去噪处理，去噪处理包括以下步骤：
a11.采用高通滤波器去除基线漂移噪音；
a12.基于PQ段信号的标准方差和阈值法确认噪音是否过高；
a13.噪音过高时使用低通巴特沃斯滤波器去除噪音干扰；
并根据原始心电图波形数据进行心电图节律信息的提取、代表PQRST波形的提取，获取心电图节律信息、代表PQRST波形数据；
所述的步骤a中，代表PQRST波形的提取包括以下步骤：
a21.通过一阶微分法和阈值法，对原始心电图波形数据进行检测，获取P波、QRS波、T波的特征点；
a22.对原始心电图波形数据中的所有PQRST波进行聚类分类，根据分类结果将拥有PQRST波数目最多的类型作为代表PQRST波形，若数目最多的类型为2个以上，选取R波平均振幅最大的类型作为代表PQRST波形，最后使用叠加平均法计算各个心拍的PQRST波的平均波形作为代表PQRST波形；
b.对深度学习算法的神经网络进行训练，所述的深度学习算法为卷积神经网络或迭代神经网络或深度神经网络，将步骤a得到的心电图节律信息、代表PQRST波形数据、心电图附加信息排列成一维数据后通过训练完的深度学习算法进行波形分类，得到心电图分类结果。
2.根据权利要求1所述的一种基于深度学习算法的心电图分类方法，其特征在于：所述的步骤a中，所述的心电图节律信息包括平均心室心率、平均RR间隔、最长RR间隔和最短RR间隔之差、RR间隔的标准方差、一致性P波信息、窦房律下各心拍的PR间隔和平均值、R波中预激波检测结果、窦房律下各心拍的QT间期和QTc间期和平均值、窦房律QRS平均波宽、窦房律P波宽和平均波宽、期外收缩信息、期外收缩类型、期外收缩形态、心房扑动的F波和心房颤动的f波的检测结果、非同期P波的检测结果。
3.根据权利要求1所述的一种基于深度学习算法的心电图分类方法，其特征在于：所述的步骤a中，所述的心电图附加信息包括性别、身高、胸围、体重、脂肪率、人种。
4.根据权利要求1所述的一种基于深度学习算法的心电图分类方法，其特征在于：所述的原始心电图波形数据为单导联数据。
5.根据权利要求1所述的一种基于深度学习算法的心电图分类方法，其特征在于：所述的步骤a中的原始心电图波形数据为多导联数据，所述的心电图节律信息由各个导联的心电图节律信息串联成一维数据形成，所述的代表PQRST波形数据由各个导联的代表PQRST波形数据串联成一维数据形成。
CN201610572216.4A 2016-07-20 2016-07-20 一种基于深度学习算法的心电图分类方法 Active CN106214145B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610572216.4A CN106214145B (zh) 2016-07-20 2016-07-20 一种基于深度学习算法的心电图分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610572216.4A CN106214145B (zh) 2016-07-20 2016-07-20 一种基于深度学习算法的心电图分类方法

Publications (2)

Publication Number Publication Date
CN106214145A CN106214145A (zh) 2016-12-14
CN106214145B true CN106214145B (zh) 2019-12-10

Family

ID=57530993

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610572216.4A Active CN106214145B (zh) 2016-07-20 2016-07-20 一种基于深度学习算法的心电图分类方法

Country Status (1)

Country Link
CN (1) CN106214145B (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778685A (zh) * 2017-01-12 2017-05-31 司马大大（北京）智能系统有限公司 心电图图像识别方法、装置及服务终端
CN108509823A (zh) * 2017-02-24 2018-09-07 深圳市理邦精密仪器股份有限公司 Qrs波群的检测方法及装置
CN108511055B (zh) * 2017-02-27 2021-10-12 中国科学院苏州纳米技术与纳米仿生研究所 基于分类器融合及诊断规则的室性早搏识别系统及方法
CN107203692B (zh) * 2017-05-09 2020-05-05 哈尔滨工业大学（威海） 基于深度卷积神经网络的心电数据数字信号处理方法
CN107256393B (zh) * 2017-06-05 2020-04-24 四川大学 基于深度学习的一维生理信号的特征提取与状态识别
CN107981858B (zh) 2017-11-27 2020-12-01 上海优加利健康管理有限公司 基于人工智能的心电图心搏自动识别分类方法
CN107837082B (zh) * 2017-11-27 2020-04-24 乐普（北京）医疗器械股份有限公司 基于人工智能自学习的心电图自动分析方法和装置
CN107714023B (zh) 2017-11-27 2020-09-01 上海优加利健康管理有限公司 基于人工智能自学习的静态心电图分析方法和装置
CN108399369B (zh) * 2018-02-02 2021-10-19 东南大学 基于分布式计算和深度学习的心电节拍分类方法
CN108836302B (zh) * 2018-03-19 2021-06-04 武汉海星通技术股份有限公司 基于深度神经网络的心电图智能分析方法及系统
CN108926341A (zh) * 2018-04-20 2018-12-04 平安科技（深圳）有限公司 Ecg信号的检测方法、装置、计算机设备和存储介质
CN108960050A (zh) * 2018-05-25 2018-12-07 东软集团股份有限公司 归类模型训练方法、心电图数据归类方法、装置及设备
CN109077721B (zh) * 2018-07-20 2021-03-23 广州视源电子科技股份有限公司 房颤检测装置及存储介质
CN109480825B (zh) * 2018-12-13 2021-08-06 武汉中旗生物医疗电子有限公司 心电数据的处理方法及装置
CN109620210B (zh) * 2019-01-28 2019-10-25 山东科技大学 一种基于自编码模式的cnn与gru结合的心电信号分类方法
CN109770861B (zh) * 2019-03-29 2022-04-12 广州视源电子科技股份有限公司 心电节律模型的训练及检测方法、装置、设备和存储介质
CN110750770B (zh) * 2019-08-18 2023-10-03 浙江好络维医疗技术有限公司 一种基于心电图的对电子设备进行解锁的方法
CN111110224A (zh) * 2020-01-17 2020-05-08 武汉中旗生物医疗电子有限公司 一种基于多角度特征提取的心电图分类方法及装置
CN111297350B (zh) * 2020-02-27 2021-08-31 福州大学 融合源端影响的三心拍多模型综合决策心电特征分类方法
CN111557660A (zh) * 2020-06-08 2020-08-21 东北大学 一种亚群体深度学习框架下的心律失常识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101969842A (zh) * 2008-01-14 2011-02-09 皇家飞利浦电子股份有限公司 房颤监测
CN103038772A (zh) * 2010-03-15 2013-04-10 新加坡保健服务集团有限公司 预测患者的存活性的方法
CN104873186A (zh) * 2015-04-17 2015-09-02 中国科学院苏州生物医学工程技术研究所 一种可穿戴的动脉检测装置及其数据处理方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI374727B (en) * 2008-11-19 2012-10-21 Univ Nat Yang Ming Chip for sensing a physiological signal and sensing method thereof
CN101766484B (zh) * 2010-01-18 2011-09-07 董军 用于心电图识别与分类的方法和设备
CN102028460B (zh) * 2011-01-04 2014-01-08 复旦大学 心室纤颤信号序列自动检测系统
CN102908135B (zh) * 2012-10-08 2015-06-10 中国科学院深圳先进技术研究院 心电诊断系统及其操作方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101969842A (zh) * 2008-01-14 2011-02-09 皇家飞利浦电子股份有限公司 房颤监测
CN103038772A (zh) * 2010-03-15 2013-04-10 新加坡保健服务集团有限公司 预测患者的存活性的方法
CN104873186A (zh) * 2015-04-17 2015-09-02 中国科学院苏州生物医学工程技术研究所 一种可穿戴的动脉检测装置及其数据处理方法

Also Published As

Publication number Publication date
CN106214145A (zh) 2016-12-14

Similar Documents

Publication Publication Date Title
CN106214145B (zh) 一种基于深度学习算法的心电图分类方法
CN107358196B (zh) 一种心搏类型的分类方法、装置及心电仪
EP3692904B1 (en) Method and device for self-learning dynamic electrocardiography analysis employing artificial intelligence
CN109171712B (zh) 心房颤动识别方法、装置、设备及计算机可读存储介质
CN106108889B (zh) 基于深度学习算法的心电图分类方法
JP7429371B2 (ja) 生体物理信号における非同期ノイズを定量化し、かつ除去するための方法およびシステム
CN106214123B (zh) 一种基于深度学习算法的心电图综合分类方法
Oweis et al. QRS detection and heart rate variability analysis: A survey
US8055333B2 (en) Device and method for detecting cardiac impairments
Wen et al. A feasible feature extraction method for atrial fibrillation detection from BCG
CN109288515B (zh) 基于穿戴式心电信号中早搏信号的周期性监测方法及装置
WO2012106729A1 (en) System and method for evaluating an electrophysiological signal
CN111265210A (zh) 一种基于深度学习的房颤预测装置和设备
Turnip et al. An application of modified filter algorithm fetal electrocardiogram signals with various subjects
CN111832537A (zh) 异常心电信号识别方法及异常心电信号识别装置
Lee et al. A real-time abnormal beat detection method using a template cluster for the ECG diagnosis of IoT devices
CN115337018A (zh) 基于整体动态特征的心电信号分类方法及系统
Farrokhi et al. Reliable peak detection and feature extraction for wireless electrocardiograms
CN117338309B (zh) 一种身份识别方法及存储介质
CN109394206B (zh) 基于穿戴式心电信号中早搏信号的实时监测方法及其装置
Sanamdikar et al. Extraction of different features of ECG signal for detection of cardiac arrhythmias by using wavelet transformation Db 6
Lim et al. Enhanced wavelet transformation for feature extraction in highly variated ECG signal
Ghosal et al. Ecg beat quality assessment using self organizing map
Revanth et al. Detection of QRS Complexes in ECG Signal
Oktivasari et al. A simple real-time system for detection of normal and myocardial ischemia in the ST segment and t wave ECG signal

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant