CN109893118A - 一种基于深度学习的心电信号分类诊断方法 - Google Patents

Abstract

本发明提出了一种基于深度学习的心电信号分类诊断方法。本发明利用心电采集设备对左上肢和右上肢之间的心电信号进行采集得到原始心电信号；将原始心电信号进行预处理得到去噪后心电信号，提取去噪后心电信号的特征波；将心电信号的特征波进行四阶多贝西小波的小波变换，将小波系数按照一定规律构建变换矩阵；将变换矩阵视为心电信号的特征波对应的时频图，传入深度学习模块，得到心电信号采集者可能患有的疾病。本发明能够在频域上分析和凸显信号的特征，实现心电信号对多种心脏疾病的初步诊断，提高诊断的准确率。

Description

一种基于深度学习的心电信号分类诊断方法

技术领域

本发明涉及医学信号处理领域，具体涉及一种基于深度学习的心电信号分类诊断方法。

背景技术

心脏是人类最重要的器官之一，其可以给血液提供流动的动力并将血液运送到身体的每一个部分。心脏相关的疾病发病迅速、后果严重，近些年已成为威胁人类生命的头号杀手。

心率失常是心血管疾病的主要病因，具体指的是心率的不规则的变换，包括房颤、心室期外收缩、室颤和心率过快，持续的心率失常可能对人的健康造成长期影响，因此对心率进行定期的监测对于预防和管理心血管疾病十分重要。心脏周围的体液可以导电，在每个心动周期中，心脏的生物电发生变化，这些生物电被称为心电，心肌细胞动作电位变化的总和可以在体表上反映出来，使体表的各点之间存在电位差。心电图(ECG)是位于人体上的电极对于心脏电活动的记录，是分析心脏活动最有力的诊断工具之一，对心电信号的研究以及心脏的检查有重要的参考作用。通过心电信号可以检测有无心率失调、心肌受损等问题并对其进行分析和鉴别。通过心电信号检测心脏有无疾病，将正常或异常的心电信号正确分类，可以帮助检查心脏疾病，这具有重要意义。但目前仍有许多待解决的问题，例如心电信号受外界噪声影响会导致结果可靠性不高，准确性较低。

在心率失常的检测中，心电信号的形态和特征对于检测起着至关重要的作用，心电信号具有不同幅度和形状的波，分别成为P,Q,R,S,T波，不同的心室和动脉产生这些波的物理活动也不同。因此，大多数医学专家在进行心率失常诊断时，都会考虑心电信号的以下特征：P,Q,R,S,T波的相对位置、大小、形态，以及特征波形之间的时间间隔、QT波之间的时间间隔等其他特征。

根据之前关于检测心率失常的检测工作可知，通过检测R-R波间(即相邻特征波形)的变化得到均值、方差、标准差等统计参数，根据统计参数可以初步判断信号是否为噪音，因此我们在此就心电信号的特征波形进行统计分析，来就提供心电信号进行预处理。

现在已有的一些关于心电信号处理的专利(包括发明授权专利和发明公布专利)如下：

公布号为CN 106805965 A的发明专利提出了用深度学习进行心电信号分类的方法，对心电信号分割来获取训练集和测试集数据，并运用深度学习对训练集的数据进行训练得到分类模型，用该分类模型对心电信号进行分类，可对不同类型的心率异常进行分类；

公布号为CN 109063552 A的发明专利提出了一种多导联心电信号分类的方法和系统，其通过多支路卷积残差神经网络提取多导联心电信号的信号特征，基于Softmax函数对融合后的所述多导联心电信号进行分类提高了心电信号分类的灵活性和适应性；

公布号为CN 107495959 A的发明专利提出了一种基于一维卷积神经网络的心电信号分类方法，该方法以检测出的R波峰值点为基准得到若干特征波形候选段，建立面向心电信号的一维卷积神经网络模型对这些特征波形候选段进行分类，该方法避免了心电信号特征点必须精准定位的难题。

可以看出，目前已有的关于心电处理的发明专利大都是基于一维心电信号进行处理，而现有的处理工具更适用于时频图的处理；另一方面，已有的心电处理方法大都基于信号处理的，但信号处理计算繁琐，且受信号质量的限制，不能准确提取出心电信号中的特征；另一方面，深度学习具有很强的数据处理以及分类的能力，而在心电信号处理上应用较少，无法发挥出优势。

因此，寻找一种将一维心电信号转化为时频图，且将信号处理和深度学习相结合，依据心电信号精确判别和诊断心脏疾病的方法已经成为一个亟待解决的问题。近年来，时频域变换在心电信号处理上已被广泛应用，心电信号处理和深度学习相结合成为心电信号处理的一个趋势，RNN和一些浅层的网络也在这方面取得了不错的效果。本发明的创新点在于利用小波变换将一维心电信号转变为时频图，借鉴并应用当前已经较为成熟的二维图像处理方法和深度神经网络对信号进行分类，实现信号处理与深度学习的联合处理，进而判断信号被采集者是否患病以及患有何种疾病，从而得到诊断结果。相对于传统方法而言，提高了心电信号的利用率和心脏疾病诊断的准确率。

发明内容

为了克服传统心电信号处理上准确率较低的缺点，本发明提出了一种基于深度学习的心电信号分类诊断方法。

本发明的技术方案为一种基于深度学习的心电信号分类诊断方法，具体包括以下步骤：

步骤1：利用心电采集设备对左上肢和右上肢之间的心电信号进行采集得到原始心电信号；

步骤2：将原始心电信号进行预处理得到去噪后心电信号，提取去噪后心电信号的特征波；

步骤3：将心电信号的特征波进行四阶多贝西小波的小波变换，将小波系数按照一定规律构建变换矩阵；

步骤4：将变换矩阵视为心电信号的特征波对应的时频图，传入深度学习模块，得到心电信号采集者可能患有的疾病。

作为优选，步骤1中所述原始心电信号为s_orig＝[a₁,a₂,…,a_N]，其中N为采集的样本数；

作为优选，步骤2中所述原始心电信号进行预处理得到去噪后心电信号为：

将原始心电信号s_orig＝[a₁,a₂,…,a_N]，其中N为采集的样本数输入至6阶巴特沃斯低通滤波器，滤除原始心电信号的高频噪声，得到去噪后心电信号s_denoise＝[b₁,b₂,…,b_N]；

步骤2中所述提取去噪后心电信号的特征波s_feature为：

利用提出的快速检测心电信号中qrs波群的算法，提取s_denoise＝[b₁,b₂,…,b_N]中的R波并计算第n段心电信号s_denoise中R波的总数量K_n，n为R波心电信号的序号，n∈[1,M]，M为R波段的数量；

在心电信号采样时间t分钟内，依据相关医学知识，每段心电信号s_denoise中R波数量K_n应该在50t≤Kn≤100t范围内，对经过提取特征波后心电信号进行初步检测，K_n＞100t或K_n＜50t的R波可认为是噪声信号或受噪声影响过大的心电信号，用全0序列代替第n段心电信号s_denoise；

依据第n段心电信号s_denoise中R波的总数量K_n对心电信号s_denoise提取特征波s_feature，提取特征波过程如下：

若第n段心电信号s_denoise为非0序列，则在不超出信号长度范围内，选择位于第n段心电信号s_denoise中部的R峰峰值点，并以该点为中心，分别从左右各取一定数量的信号点作为该心电信号的特征波，为了更好体现信号的特征和降低计算量，选取的特征波长度L包含正常心率下的四个完整心跳波形；

若第n段心电信号s_denoise为0序列，则用长度L的0序列作为这类信号的特征波；

作为优选，步骤3中所述心电信号的特征s_feature进行四阶多贝西小波的小波变换为：

将特称波s_feature用mallet算法对信号进行小波分析，使用四阶多贝西小波对特征波进行尺度为f/60-0.6f的小波变换，其中f为采样频率，提取信号的小波系数，得到相应变换后的小波系数λ_d，d∈[1,D]；

步骤3中所述将小波系数按照一定规律存放在矩阵中为：

特征波s_feature不同尺度的小波变换后的系数λ₁，λ₂，...，λ_D，按照顺序放入矩阵的每一行中，得到每一个特征波s_feature所对应的变换矩阵A＝[λ₁，λ₂，...，λ_D]；

作为优选，步骤4中所述传入深度学习模块，得到心电信号采集者可能患有的疾病：

将变换矩阵视为特征波s_feature对应的时频图；

每一个特征波s_feature所对应的变换矩阵A＝[λ₁，λ₂，...，λ_D]采用ResNet-34模型，利用该网络可以获得原始心电信号s_orig＝[a₁,a₂,…,a_N]的采集者可能患有的疾病和可能性的大小,每种疾病患病的可能性由softmax函数计算得到，当可能性大于设定阈值时即可认为信号采集者患有该种疾病。

本发明有利于获得准确的疾病诊断，最后输出信号采集者患有各项心脏疾病的可能性。通过应用在日常生活和医院以非侵入的方式进行心脏疾病的初步诊断，本发明能方便的对心脏疾病进行及时检测和预警，减轻医生的工作负担和病人检查的费用负担。本发明提出的基于深度学习的心电信号诊断心脏疾病的方法可以很好的提取心电信号的频域特征，并将信号处理、图像处理和医学相结合，提高通过心电信号进行心脏疾病检测的准确率。

附图说明

图1：为本发明方法流程图；

图2：为本发明实施例的总体技术框图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

图1是本发明的方法流程图，图2是本发明技术方案的总体框图，本发明为基于深度学习的心电信号诊断心脏疾病的方法。除去输入和输出部分，包含以下三个模块：数据预处理模块、一维信号转换为时频图模块和疾病诊断模块。数据预处理模块的主要功能是，利用信号处理、图像处理和医学知识对采集到的原始心电信号进行滤波和特征波提取，计算信号采集时间内特征波的数量，并以此为依据截取一段对应于采集时间的信号作为该心电信号的特征波；一维信号转换为时频图模块的主要功能是，对特征波进行不同尺度的小波变换，将变换系数按照一定的规则存放在转换矩阵中，并将转换矩阵转换为时频图，通过这个模块可将时域的心电信号变换到频域研究，同时，利用图像处理的算法可以解决传统心电信号处理算法较为复杂的问题，提高信号分类的准确率；疾病诊断模块的主要功能是，利用改造的ResNet-34网络对转换后的图像进行分类，以此判断该图像所对应的心电信号的采集者是否可能患有某种心脏疾病。整个系统最后输出信号采集者是否健康和可能患有的心脏疾病等信息。

下面结合图1至图2，介绍本发明的具体实施方式，本发明具体实施方式的技术方案为一种基于深度学习的心电信号分类诊断方法，具体包括以下步骤：

步骤1：利用心电采集设备对左上肢和右上肢之间的心电信号进行采集得到原始心电信号；

步骤1中所述原始心电信号为s_orig＝[a₁,a₂,…,a_N]，其中N为采集的样本数，选用ECG信号数据集包含了121818张不同年龄不同心脏状态的人安静状态下的心电信号数据作为原始心电信号，每个数据包括一个包含心电图的.mat文件和一个包含波形信息的.hea文件，标注文件中含有每个信号采集者所患有的心脏疾病信息；

步骤2：将原始心电信号进行预处理得到去噪后心电信号，提取去噪后心电信号的特征波；

步骤2中所述原始心电信号进行预处理得到去噪后心电信号为：

将原始心电信号s_orig＝[a₁,a₂,…,a_N]，其中N为采集的样本数输入至6阶巴特沃斯低通滤波器，滤除原始心电信号的高频噪声，得到去噪后心电信号s_denoise＝[b₁,b₂,…,b_N]；

步骤2中所述提取去噪后心电信号的特征波s_feature为：

利用提出的快速检测心电信号中qrs波群的算法，提取s_denoise＝[b₁,b₂,…,b_N]中的R波并计算第n段心电信号s_denoise中R波的总数量K_n，n为R波心电信号的序号，n∈[1,M]，M为R波段的数量；

在心电信号采样时间t分钟内，依据相关医学知识，每段心电信号s_denoise中R波数量K_n应该在50t≤Kn≤100t范围内，对经过提取特征波后心电信号进行初步检测，K_n＞100t或K_n＜50t的R波可认为是噪声信号或受噪声影响过大的心电信号，用全0序列代替第n段心电信号s_denoise；

依据第n段心电信号s_denoise中R波的总数量K_n对心电信号s_denoise提取特征波s_feature，提取特征波过程如下：

若第n段心电信号s_denoise为非0序列，则在不超出信号长度范围内，选择位于第n段心电信号s_denoise中部的R峰峰值点，并以该点为中心，分别从左右各取一定数量的信号点作为该心电信号的特征波，为了更好体现信号的特征和降低计算量，选取的特征波长度L包含正常心率下的四个完整心跳波形；

若第n段心电信号s_denoise为0序列，则用长度L的0序列作为这类信号的特征波；

步骤3：将心电信号的特征波进行四阶多贝西小波的小波变换，将小波系数按照一定规律构建变换矩阵；

步骤3中所述心电信号的特征s_feature进行四阶多贝西小波的小波变换为：

将特称波s_feature用mallet算法对信号进行小波分析，使用四阶多贝西小波对特征波进行尺度为f/60-0.6f的小波变换，其中f为采样频率，提取信号的小波系数，得到相应变换后的小波系数λ_d，d∈[1,D]；

步骤3中所述将小波系数按照一定规律存放在矩阵中为：

特征波s_feature不同尺度的小波变换后的系数λ₁，λ₂，...，λ_D，按照顺序放入矩阵的每一行中，得到每一个特征波s_feature所对应的变换矩阵A＝[λ₁，λ₂，...，λ_D]；

步骤4：将变换矩阵视为心电信号的特征波对应的时频图，传入深度学习模块，得到心电信号采集者可能患有的疾病。

步骤4中所述传入深度学习模块，得到心电信号采集者可能患有的疾病：

将变换矩阵视为特征波s_feature对应的时频图；

得到每一个信号对应的(0.6f-f/60)*4f的图片数据集；

每一个特征波s_feature所对应的变换矩阵A＝[λ₁，λ₂，...，λ_D]采用修改的残差神经网络ResNet-34模型，利用该网络可以获得原始心电信号s_orig＝[a₁,a₂,…,a_N]的采集者，可能患有的疾病和可能性的大小；每种疾病患病的可能性由softmax函数计算得到，当可能性大于设定阈值时即可认为信号采集者患有该种疾病。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (5)

1.一种基于深度学习的心电信号分类诊断方法，其特征在于，包括：

步骤1：利用心电采集设备对左上肢和右上肢之间的心电信号进行采集得到原始心电信号；

步骤2：将原始心电信号进行预处理得到去噪后心电信号，提取去噪后心电信号的特征波；

步骤3：将心电信号的特征波进行四阶多贝西小波的小波变换，将小波系数按照一定规律构建变换矩阵；

步骤4：将变换矩阵视为心电信号的特征波对应的时频图，传入深度学习模块，得到心电信号采集者可能患有的疾病。

2.根据权利要求1所述的基于深度学习的心电信号分类诊断方法，其特征在于：步骤1中所述原始心电信号为s_orig＝[a₁,a₂,…,a_N]，其中N为采集的样本数。

3.根据权利要求1所述的基于深度学习的心电信号分类诊断方法，其特征在于：步骤2中所述原始心电信号进行预处理得到去噪后心电信号为：

将原始心电信号s_orig＝[a₁,a₂,…,a_N]，其中N为采集的样本数输入至6阶巴特沃斯低通滤波器，滤除原始心电信号的高频噪声，得到去噪后心电信号s_denois＝_e[b₁,b₂,…,b_N]；

步骤2中所述提取去噪后心电信号的特征波s_feature为：

利用提出的快速检测心电信号中qrs波群的算法，提取s_denoise＝[b₁,b₂,…,b_N]中的R波并计算第n段心电信号s_denoise中R波的总数量K_n，n为R波心电信号的序号，n∈[1,M]，M为R波段的数量；

在心电信号采样时间t分钟内，依据相关医学知识，每段心电信号s_denoise中R波数量K_n应该在50t≤Kn≤100t范围内，对经过提取特征波后心电信号进行初步检测，K_n＞100t或K_n＜50t的R波可认为是噪声信号或受噪声影响过大的心电信号，用全0序列代替第n段心电信号s_denoise；

依据第n段心电信号s_denoise中R波的总数量K_n对心电信号s_denoise提取特征波s_feature，提取特征波过程如下：

若第n段心电信号s_denoise为非0序列，则在不超出信号长度范围内，选择位于第n段心电信号s_denoise中部的R峰峰值点，并以该点为中心，分别从左右各取一定数量的信号点作为该心电信号的特征波，为了更好体现信号的特征和降低计算量，选取的特征波长度L包含正常心率下的四个完整心跳波形；

若第n段心电信号s_denoise为0序列，则用长度L的0序列作为这类信号的特征波。

4.根据权利要求1所述的基于深度学习的心电信号分类诊断方法，其特征在于：步骤3中所述心电信号的特征s_feature进行四阶多贝西小波的小波变换为：

将特称波s_feature用mallet算法对信号进行小波分析，使用四阶多贝西小波对特征波进行尺度为f/60-0.6f的小波变换，其中f为采样频率，提取信号的小波系数，得到相应变换后的小波系数λ_d，d∈[1,D]；

步骤3中所述将小波系数按照一定规律存放在矩阵中为：

特征波s_feature不同尺度的小波变换后的系数λ₁，λ₂，...，λ_D，按照顺序放入矩阵的每一行中，得到每一个特征波s_feature所对应的变换矩阵A＝[λ₁，λ₂，...，λ_D]。

5.根据权利要求1所述的基于深度学习的心电信号分类诊断方法，其特征在于：步骤4中所述传入深度学习模块，得到心电信号采集者可能患有的疾病：

将变换矩阵视为特征波s_feature对应的时频图；

每一个特征波s_feature所对应的变换矩阵A＝[λ₁，λ₂，...，λ_D]采用ResNet-34模型，利用该网络可以获得原始心电信号s_orig＝[a₁,a₂,…,a_N]的采集者可能患有的疾病和可能性的大小,每种疾病患病的可能性由softmax函数计算得到，当可能性大于设定阈值时即可认为信号采集者患有该种疾病。