[go: up one dir, main page]

CN116350231A - 基于层级不同粒度类别约束的半监督心电图心肌梗死定位方法 - Google Patents

基于层级不同粒度类别约束的半监督心电图心肌梗死定位方法 Download PDF

Info

Publication number
CN116350231A
CN116350231A CN202310234705.9A CN202310234705A CN116350231A CN 116350231 A CN116350231 A CN 116350231A CN 202310234705 A CN202310234705 A CN 202310234705A CN 116350231 A CN116350231 A CN 116350231A
Authority
CN
China
Prior art keywords
category
level
supervised
ecg signals
myocardial infarction
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.)
Pending
Application number
CN202310234705.9A
Other languages
English (en)
Inventor
刘华锋
李楚晨
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202310234705.9A priority Critical patent/CN116350231A/zh
Publication of CN116350231A publication Critical patent/CN116350231A/zh
Pending legal-status Critical Current

Links

Images

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
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • 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
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Cardiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Fuzzy Systems (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层级不同粒度类别约束的半监督心电图心肌梗死定位方法，通过搭建自学习的深度学习神经网络，对于只有少量标注的12导联心电图进行心肌梗死的定位预测，网络将输出三个层级的预测结果，并对于没有标注的图像使用层级类别转换将细粒度、混淆粒度以及粗粒度进行转化；由于数据类别存在分布不均匀性，本发明使用基于交叉熵的类别感知动态损失约束以及层级约束对于学习好的类别给予更小的关注，对于没有学习好的类别采取更强的注意力。本发明方法能在一定程度上在少量标注的情况下取得较好的识别效果，从而在后续帮助智慧医疗系统实验疾病的分析以及诊断。

Description

基于层级不同粒度类别约束的半监督心电图心肌梗死定位 方法
技术领域
本发明属于生物医学信号分析分类技术领域，具体涉及一种基于层级不同粒度类别约束的半监督心电图心肌梗死定位方法。
背景技术
心肌梗死作为威胁人类健康的五大杀手之一，具有起病快、致死率高等的特点。心电图作为一种临床上应用最为广泛的心肌梗死诊断的初步诊断凭证，其有着极为重要的作用，而由于心脏血管的复杂性，不同位置的血管堵塞可能造成不同心脏位置的梗死，因此如何精确的通过心电图进行梗死位置的定位成为研究的重点。由于心肌梗死的定位需要大量的临床经验，因此为心电图打标签成为一个不仅需要大量时间成本，而且具有有经验的临床医生来进行定位的判断。
众所周知深度学习网络需要精细且准确的标注作为监督信息来使模型进行有效收敛，标注量越大，则模型越可能有这更好的训练效果，因此一个更加重要的问题映入研究人员的眼帘，即如果使用更少的标注信息同时获得与全标注类似的效果。同时随着深度学习的逐渐发展，研究员研究的重点也逐渐向研究细粒度特征，也就是从更粗粒度的类别中来分辨出更精细的类别来靠近，由此来完善疾病的诊断与治疗，其中心肌梗死的定位分类就是一个常见的问题。
由于心脏一般由多根分属于不同层次的血管进行供血，而这些血管的堵塞会造成其供血影响的不同腔壁的缺血或坏死。一般而言，根据这些血管分属的心脏位置，会对心梗进行基于前壁、外壁、后壁等的细分类(ALMI、AMI、ASMI、ILMI、IMI、IPLMI、IPMI、PMI、LMI)。而由于心梗的特异性信息常常仅存在于波形图之间的细微区别(Q波、ST波段)，因此这种基于细粒度的分类任务对于模型而言有着一定的难度。在以往的工作中文献[Du N,Cao Q,YuL,et al.FM-ECG:Afine-grained multi-label framework for ECG imageclassification[J].Information Sciences,2020,549]使用基于图像的心电图输入，对于细粒度类别进行探索，模型整体使用transformer结构，并融合了空间注意力机制对特征进行提取。文献[Wang R,Fan J,Li Y.Deep multi-scale fusion neural network formulti-class arrhythmia detection[J].IEEE journal of biomedical and healthinformatics,2020,24(9):2461-2472]则使用两个平行的有着不同卷积核的网络结构，针对从主干网络中提取的浅层特征进行卷积操作，随后通过两特征拼接与注意力机制输出最终结果。虽然这些方法取得了不错的效果，但是模型仅从结构设计方面来针对细粒度特征进行提取，没有考虑到标签本身存在的层级关系，因此忽略了不同层级之间互相约束的信息。同时由于这些细粒度类别的特征存在相似性较高的问题，因此如何从相似度较高的容易彼此之间混淆的类别之间进行区分，成为学术界研究的重点之一。
细粒度识别多年来一直是一个活跃的领域，可以通过强大的特征编码、定位有区别的语义部分或利用外部信息，但是细粒度的注释通常很耗时并且需要经验丰富的专家，因为一些子类的对象具有边缘视觉差异，甚至人类难以识别。降低细粒度标记成本的一种方法是利用弱标签，例如通过图像级标签定位细粒度部分；半监督学习是另一种方法，通常利用一小组标记数据和许多未标记图像进行有效的模型训练，通过采用无监督的一致性正则化来合并未标记的数据是目前研究中比较热门的方法。
在半监督算法中，详细来说，即我们拥有大量的没有标注的数据，同时只有一小部分有标注的数据。为了更好的利用已有数据，给予模型足够的信息，我们需要使用没有标注的数据来作为辅助信息提升模型的整体性能。然而，只有少量旨在将半监督学习引入细粒度图像分析，分析其原因，主要存在以下两个挑战：①为了更好的利用没有标注的数据，我们应该如何结合不同粒度的细节信息？②对于容易进行混淆的类别，我们应该如何处理？不仅如此，半监督学习中标注的稀缺性同样也加剧了上述提到的困境。
发明内容
鉴于上述，本发明提供了一种基于层级不同粒度类别约束的半监督心电图心肌梗死定位方法，通过深度学习神经网络来输出三种不同粒度的预测结果，并通过层级细粒度类别约束以及类别感知动态损失函数两者的结合，来提升模型的识别性能。
一种基于层级不同粒度类别约束的半监督心电图心肌梗死定位方法，包括如下步骤：
(1)收集来自不同病人且具有心肌梗死类别标注的心电信号，将这些心电信号化规成相同信号长度并划分成训练集与测试集；
(2)选择深度学习神经网络进行心肌梗死类别预测，预测输出分为三个层级，分别为细粒度层级、混淆层级以及粗粒度层级；
(3)将训练集的心电信号按批次输入至上述深度学习神经网络进行训练，每一批次中的心电信号一部分采用类别标注信息，剩余部分不采用类别标注信息；进而设计出基于交叉熵损失+类别感知动态损失+跨类别自约束的损失函数用于网络迭代更新；
(4)将测试集的心电信号输入至训练好的神经网络中，即可预测出对应的心肌梗死类别结果。
进一步地，所述深度学习神经网络采用ResNet结构为基础且包含三个特征输出头的一维特征提取网络。
进一步地，所述深度学习神经网络输出的预测结果分别为Pl3,Pl2,Pl1，其中Pl3对应为细粒度层级的类别概率预测结果，大小为C×D；Pl2对应为混淆层级的类别概率预测结果，大小为B×D；Pl1对应为粗粒度层级的类别概率预测结果，大小为2×D，D为每一批次的输入信号数量，C和B分别为细粒度层级和混淆层级的类别数量且C＞B＞2。
进一步地，所述步骤(3)中对深度学习神经网络进行训练的具体过程如下：
3.1初始化模型参数，包括每一层的偏置向量和权值矩阵、学习率以及优化器；
3.2将训练集的心电信号成批输入至网络，网络正向传播输出得到三个层级的预测结果，计算预测结果与标签之间的损失函数Lall；
3.3根据损失函数Lall利用优化器通过梯度下降法对模型参数不断迭代更新，直至损失函数Lall收敛，训练完成；所述损失函数Lall的表达式如下：
Lall＝Lsu+Lun
Lsu＝LCAD+Lce+Lcross
其中：Lsu为有监督部分的损失函数，Lun为自监督部分的损失函数，LCAD为类别感知动态损失函数，Lce为交叉熵函数，Lcross为三层类别约束函数。
进一步地，所述交叉熵函数Lce的表达式如下：
Figure BDA0004121624300000041
其中：
Figure BDA0004121624300000042
表示一个批次中采用类别标注信息的第n组心电信号输入至网络中输出关于层级l的类别概率预测结果，/>
Figure BDA0004121624300000043
表示/>
Figure BDA0004121624300000044
对应的类别标注信息，N为一个批次中采用类别标注信息的心电信号数量，l1、l2、l3分别表示粗粒度层级、混淆层级以及细粒度层级。
进一步地，所述类别感知动态损失函数LCAD的表达式如下：
Figure BDA0004121624300000045
其中：
Figure BDA0004121624300000046
表示一个批次中采用类别标注信息的第n组心电信号输入至网络中输出关于层级l的类别概率预测结果，/>
Figure BDA0004121624300000047
表示/>
Figure BDA0004121624300000048
对应的类别标注信息，N为一个批次中采用类别标注信息的心电信号数量，l1、l2、l3分别表示粗粒度层级、混淆层级以及细粒度层级，wavg表示/>
Figure BDA0004121624300000049
对应的类别权重。
进一步地，对于层级l的任一类别，其类别权重wavg的表达式如下：
Figure BDA00041216243000000410
Figure BDA00041216243000000411
Figure BDA00041216243000000412
其中：Lavg表示平均损失函数，Ltar表示关于数据整体分布的目标损失函数，Lm表示在第m次迭代中该类别的交叉熵函数，Km表示在第m次迭代中属于该类别的心电信号数量，M表示总的迭代次数。
进一步地，所述三层类别约束函数Lcross的表达式如下：
Figure BDA00041216243000000535
其中：
Figure BDA0004121624300000051
表示一个批次中采用类别标注信息的第n组心电信号输入至网络中输出关于细粒度层级l3的类别概率预测结果，/>
Figure BDA0004121624300000052
表示/>
Figure BDA0004121624300000053
对应的类别标注信息，/>
Figure BDA0004121624300000054
表示一个批次中采用类别标注信息的第n组心电信号输入至网络中输出关于混淆层级l2的类别概率预测结果，/>
Figure BDA0004121624300000055
表示/>
Figure BDA0004121624300000056
对应的类别标注信息，/>
Figure BDA0004121624300000057
表示一个批次中采用类别标注信息的第n组心电信号输入至网络中输出关于粗粒度层级l1的类别概率预测结果，/>
Figure BDA0004121624300000058
表示/>
Figure BDA0004121624300000059
对应的类别标注信息，N为一个批次中采用类别标注信息的心电信号数量。
进一步地，所述损失函数Lun为的表达式如下：
Figure BDA00041216243000000510
其中：
Figure BDA00041216243000000511
表示一个批次中不采用类别标注信息的第k组心电信号输入至网络中输出关于细粒度层级l3的类别概率预测结果，/>
Figure BDA00041216243000000512
表示一个批次中不采用类别标注信息的第k组心电信号输入至网络中输出关于混淆层级l2的类别概率预测结果，/>
Figure BDA00041216243000000513
表示一个批次中不采用类别标注信息的第k组心电信号输入至网络中输出关于粗粒度层级l1的类别概率预测结果，/>
Figure BDA00041216243000000514
表示/>
Figure BDA00041216243000000515
转化为混淆层级l2的类别概率标签结果，/>
Figure BDA00041216243000000516
表示/>
Figure BDA00041216243000000517
转化为粗粒度层级l1的类别概率标签结果，/>
Figure BDA00041216243000000518
表示/>
Figure BDA00041216243000000519
转化为粗粒度层级l1的类别概率标签结果，K为一个批次中不采用类别标注信息的心电信号数量。
进一步地，所述类别概率标签结果
Figure BDA00041216243000000520
为B维向量，B为混淆层级l2的类别数量，且/>
Figure BDA00041216243000000521
1≤b≤B，/>
Figure BDA00041216243000000522
为/>
Figure BDA00041216243000000523
中的第b个元素值即/>
Figure BDA00041216243000000524
中归属于混淆层级l2第b类的所有类别概率预测值的最大值；所述类别概率标签结果
Figure BDA00041216243000000525
为2维向量，2为粗粒度层级l1的类别数量，且/>
Figure BDA00041216243000000526
Figure BDA00041216243000000527
为/>
Figure BDA00041216243000000528
中的第a个元素值即/>
Figure BDA00041216243000000529
中归属于粗粒度层级l1第a类的所有类别概率预测值的最大值；所述类别概率标签结果/>
Figure BDA00041216243000000530
为2维向量，
Figure BDA00041216243000000531
Figure BDA00041216243000000532
为/>
Figure BDA00041216243000000533
中的第a个元素值即/>
Figure BDA00041216243000000534
中归属于粗粒度层级l1第a类的所有类别概率预测值的最大值。
本发明使用半监督算法来解决心电图的细粒度分类识别问题，经过归一化的多导联心电信号输入深度学习神经网络并输出三个粒度的预测结果；网络整体使用端到端的训练方式，形成一个整体的闭环，并使用三级的粒度约束以及类别敏感的损失函数来对于有标注以及没有标注的数据来提取相应信息；本发明模型整体使用自学习并自约束的方法，使得能够在标注量不足的情况下有着较好的学习效果。
附图说明
图1为本发明半监督模型的结构示意图。
图2为本发明模型训练方法的流程示意图。
图3为半监督训练使用20％训练标注的，在不增加类别感知动态损失函数及三层级粒度类别约束之前的混淆矩阵结果(横轴为标签，纵轴为预测值)。
图4为半监督训练使用20％训练标注的，在增加类别感知动态损失函数及三层级粒度类别约束之后的混淆矩阵结果(横轴为标签，纵轴为预测值)。
具体实施方式
为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
本发明整体的网络模型如图1所示，有标签的心电信号xa与没有标签的心电信号xu输入以ResNet为基础的深度学习神经网络，模型将输出x进行三个层级的预测Pl3、Pl2、Pl1。对于有监督的部分，使用交叉熵函数、类别感知动态损失函数以及三级损失同时约束；对于没有监督的部分，首先使用层级类别转化表达式，进行不同层级的预测转换，随后使用三级损失进行约束。概率预测结果P的定义如下：
Pl3,Pl2,Pl1＝f(X)
具体而言：
Figure BDA0004121624300000061
其中：C为分类的总类别数量。
对于有监督的部分，将使用交叉熵函数、类别感知动态损失函数以及三层类别约束来进行监督，其中交叉熵函数表达为：
Figure BDA0004121624300000071
其中：
Figure BDA0004121624300000072
表示一个批次中采用类别标注信息的第n组心电信号输入至网络中输出关于层级l的类别概率预测结果，/>
Figure BDA0004121624300000073
表示/>
Figure BDA0004121624300000074
对应的类别标注信息，N为一个批次中采用类别标注信息的心电信号数量，l1、l2、l3分别表示粗粒度层级、混淆层级以及细粒度层级。
类别感知动态损失函数为：
Figure BDA0004121624300000075
Figure BDA0004121624300000076
Figure BDA0004121624300000077
Figure BDA0004121624300000078
三层类别约束为：
Figure BDA0004121624300000079
因此整体的损失函数为：
Lsu＝LCAD+Lce+Lcross
对于没有标签的数据，在模型的输出后将进行层级类别转换，其表达式为：
yl3-l2＝[max(pl3∈b)]，1≤b≤B
yl3-l1＝[max(pl3∈a)]，a＝1,2，
yl2-l1＝[max(pl2∈a)]，a＝1,2
其中：max(pl3∈b)为yl3-l2中的第b个元素值即pl3中归属于混淆层级l2第b类的所有类别概率预测值的最大值，max(pl3∈a)为yl3-l1中的第a个元素值即pl3中归属于粗粒度层级l1第a类的所有类别概率预测值的最大值，max(pl2∈a)为yl2-l1中的第a个元素值即pl2中归属于粗粒度层级l1第a类的所有类别概率预测值的最大值。
在此基础上使用三个层级的约束：
Figure BDA0004121624300000081
由此整个模型的监督信息Lall即为两部分的组合：
Lall＝Lsu+Lun
本发明模型训练方法的流程如图2所示，首先使用随机的方法从数据集中划分出有标注的部分数据集，剩下的部分将是没有标注的数据集，其中ratio为0.2、0.4、0.6、0.8。
(xa,ya)＝random_select(x,ratio)
随后搭建深度学习神经网络ResNet，对于网络的学习，模型整体采用随机梯度下降的算法来对三部分目标函数进行求解，迭代步骤如下：
Figure BDA0004121624300000082
Figure BDA0004121624300000083
其中：
Figure BDA0004121624300000084
为梯度算子，lr为学习率，w为网络的矩阵参数，C为分类的类别总数量。
模型收敛的最终条件如下：
|L″-L′|≤ε
其中：L″与L′为迭代前后的损失函数，ε为收敛的阈值，设为10-5。
为了验证本发明的有效性，我们使用心脏12导联心电信号进行实验。在使用本发明方法进行半监督算法研究的同时，为了进行实验的对比，我们也同样适用相同的数据集划分来对于这部分数据进行全监督的学习，数据的比例仍然为0.2、0.4、0.6、0.8；网络的整体输入进行了归一化处理，使得所有的信号长度均为1000个采样点，在表1中给出了具体的数据设置情况：
表1
Figure BDA0004121624300000085
Figure BDA0004121624300000091
对于训练模型部分，深度学习算法网络同样使用随机梯度下降算法进行模型的收敛。我们的实验采用NVIDIA 1080Ti的GPU进行加速运算，整体训练的batchsize为4，信号被归一化为12×1000尺寸大小，模型的学习率为0.0025，整个训练流程需要迭代40个轮回；全监督的训练数据集与其相应的半监督的标注数据一致，并且使用一样的生成分割网络。图3为半监督训练使用20％训练标注的，在不增加类别感知动态损失函数及三层级粒度类别约束之前的混淆矩阵结果。图4为半监督训练使用20％训练标注的，在增加类别感知动态损失函数及三层级粒度类别约束之后的混淆矩阵结果，其中横轴为标签，纵轴为预测值，其中浅色代表数量较少，深色代表数量较多。从图中可以看出，在没有加入类别感知动态损失函数及三层级粒度类别约束之前，同一个混淆集中的预测结果，常常出现预测错误的问题(eg.ALMI、AMI、ASMI的结果出现预测错位的问题)，但是在加入我们提出的这两部分监督信息后，可以从图中看出，此类问题大大减少，模型整体的预测结果更加准确，预测更多集中在对角线上。这更从侧面说明，本发明半监督算法在标注量较少的情况下，能够更好的处理特征较为相似的混淆集预测错误问题，从而在使用更少的标注的情况下，有着更好的预测结果，从而在一定程度上缓解传统全监督算法需要大量标注的问题，在标注量少的情况下更好的协助智能医学图像的分析。
上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (10)

1.一种基于层级不同粒度类别约束的半监督心电图心肌梗死定位方法，包括如下步骤：
(1)收集来自不同病人且具有心肌梗死类别标注的心电信号，将这些心电信号化规成相同信号长度并划分成训练集与测试集；
(2)选择深度学习神经网络进行心肌梗死类别预测，预测输出分为三个层级，分别为细粒度层级、混淆层级以及粗粒度层级；
(3)将训练集的心电信号按批次输入至上述深度学习神经网络进行训练，每一批次中的心电信号一部分采用类别标注信息，剩余部分不采用类别标注信息；进而设计出基于交叉熵损失+类别感知动态损失+跨类别自约束的损失函数用于网络迭代更新；
(4)将测试集的心电信号输入至训练好的神经网络中，即可预测出对应的心肌梗死类别结果。
2.根据权利要求1所述的半监督心电图心肌梗死定位方法，其特征在于：所述深度学习神经网络采用ResNet结构为基础且包含三个特征输出头的一维特征提取网络。
3.根据权利要求1所述的半监督心电图心肌梗死定位方法，其特征在于：所述深度学习神经网络输出的预测结果分别为Pl3，Pl2，Pl1，其中Pl3对应为细粒度层级的类别概率预测结果，大小为C×D；Pl2对应为混淆层级的类别概率预测结果，大小为B×D；pl1对应为粗粒度层级的类别概率预测结果，大小为2×D，D为每一批次的输入信号数量，C和B分别为细粒度层级和混淆层级的类别数量且C＞B＞2。
4.根据权利要求1所述的半监督心电图心肌梗死定位方法，其特征在于：所述步骤(3)中对深度学习神经网络进行训练的具体过程如下：
3.1初始化模型参数，包括每一层的偏置向量和权值矩阵、学习率以及优化器；
3.2将训练集的心电信号成批输入至网络，网络正向传播输出得到三个层级的预测结果，计算预测结果与标签之间的损失函数Lall；
3.3根据损失函数Lall利用优化器通过梯度下降法对模型参数不断迭代更新，直至损失函数Lall收敛，训练完成；所述损失函数Lall的表达式如下：
Lall＝Lsu+Lun
Lsu＝LCAD+Lce+Lcross
其中：Lsu为有监督部分的损失函数，Lun为自监督部分的损失函数，LCAD为类别感知动态损失函数，Lce为交叉熵函数，Lcross为三层类别约束函数。
5.根据权利要求4所述的半监督心电图心肌梗死定位方法，其特征在于：所述交叉熵函数Lce的表达式如下：
Figure FDA0004121624290000021
其中：
Figure FDA0004121624290000022
表示一个批次中采用类别标注信息的第n组心电信号输入至网络中输出关于层级l的类别概率预测结果，/>
Figure FDA0004121624290000023
表示/>
Figure FDA0004121624290000024
对应的类别标注信息，N为一个批次中采用类别标注信息的心电信号数量，l1、l2、l3分别表示粗粒度层级、混淆层级以及细粒度层级。
6.根据权利要求4所述的半监督心电图心肌梗死定位方法，其特征在于：所述类别感知动态损失函数LCAD的表达式如下：
Figure FDA0004121624290000025
其中：
Figure FDA0004121624290000026
表示一个批次中采用类别标注信息的第n组心电信号输入至网络中输出关于层级l的类别概率预测结果，/>
Figure FDA0004121624290000027
表示/>
Figure FDA0004121624290000028
对应的类别标注信息，N为一个批次中采用类别标注信息的心电信号数量，l1、l2、l3分别表示粗粒度层级、混淆层级以及细粒度层级，wavg表示
Figure FDA0004121624290000029
对应的类别权重。
7.根据权利要求6所述的半监督心电图心肌梗死定位方法，其特征在于：对于层级l的任一类别，其类别权重wavg的表达式如下：
Figure FDA00041216242900000210
Figure FDA00041216242900000211
Figure FDA0004121624290000031
其中：Lavg表示平均损失函数，Ltar表示关于数据整体分布的目标损失函数，Lm表示在第m次迭代中该类别的交叉熵函数，Km表示在第m次迭代中属于该类别的心电信号数量，M表示总的迭代次数。
8.根据权利要求4所述的半监督心电图心肌梗死定位方法，其特征在于：所述三层类别约束函数Lcross的表达式如下：
Figure FDA0004121624290000032
其中：
Figure FDA0004121624290000033
表示一个批次中采用类别标注信息的第n组心电信号输入至网络中输出关于细粒度层级l3的类别概率预测结果，/>
Figure FDA0004121624290000034
表示/>
Figure FDA0004121624290000035
对应的类别标注信息，/>
Figure FDA0004121624290000036
表示一个批次中采用类别标注信息的第n组心电信号输入至网络中输出关于混淆层级l2的类别概率预测结果，/>
Figure FDA0004121624290000037
表示/>
Figure FDA0004121624290000038
对应的类别标注信息，/>
Figure FDA0004121624290000039
表示一个批次中采用类别标注信息的第n组心电信号输入至网络中输出关于粗粒度层级l1的类别概率预测结果，/>
Figure FDA00041216242900000310
表示/>
Figure FDA00041216242900000311
对应的类别标注信息，N为一个批次中采用类别标注信息的心电信号数量。
9.根据权利要求4所述的半监督心电图心肌梗死定位方法，其特征在于：所述损失函数Lun为的表达式如下：
Figure FDA00041216242900000312
其中：
Figure FDA00041216242900000313
表示一个批次中不采用类别标注信息的第k组心电信号输入至网络中输出关于细粒度层级l3的类别概率预测结果，/>
Figure FDA00041216242900000314
表示一个批次中不采用类别标注信息的第k组心电信号输入至网络中输出关于混淆层级l2的类别概率预测结果，/>
Figure FDA00041216242900000315
表示一个批次中不采用类别标注信息的第k组心电信号输入至网络中输出关于粗粒度层级l1的类别概率预测结果，/>
Figure FDA00041216242900000316
表示/>
Figure FDA00041216242900000317
转化为混淆层级l2的类别概率标签结果，/>
Figure FDA00041216242900000318
表示/>
Figure FDA00041216242900000319
转化为粗粒度层级l1的类别概率标签结果，/>
Figure FDA00041216242900000320
表示/>
Figure FDA00041216242900000321
转化为粗粒度层级l1的类别概率标签结果，K为一个批次中不采用类别标注信息的心电信号数量。
10.根据权利要求9所述的半监督心电图心肌梗死定位方法，其特征在于：所述类别概率标签结果
Figure FDA0004121624290000041
为B维向量，B为混淆层级l2的类别数量，且/>
Figure FDA0004121624290000042
Figure FDA0004121624290000043
为/>
Figure FDA0004121624290000044
中的第b个元素值即/>
Figure FDA0004121624290000045
中归属于混淆层级l2第b类的所有类别概率预测值的最大值；所述类别概率标签结果/>
Figure FDA0004121624290000046
为2维向量，2为粗粒度层级l1的类别数量，且
Figure FDA0004121624290000047
Figure FDA0004121624290000048
为/>
Figure FDA0004121624290000049
中的第a个元素值即/>
Figure FDA00041216242900000410
中归属于粗粒度层级l1第σ类的所有类别概率预测值的最大值；所述类别概率标签结果/>
Figure FDA00041216242900000411
为2维向量，/>
Figure FDA00041216242900000412
为/>
Figure FDA00041216242900000413
中的第a个元素值即/>
Figure FDA00041216242900000414
中归属于粗粒度层级l1第a类的所有类别概率预测值的最大值。
CN202310234705.9A 2023-03-13 2023-03-13 基于层级不同粒度类别约束的半监督心电图心肌梗死定位方法 Pending CN116350231A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310234705.9A CN116350231A (zh) 2023-03-13 2023-03-13 基于层级不同粒度类别约束的半监督心电图心肌梗死定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310234705.9A CN116350231A (zh) 2023-03-13 2023-03-13 基于层级不同粒度类别约束的半监督心电图心肌梗死定位方法

Publications (1)

Publication Number Publication Date
CN116350231A true CN116350231A (zh) 2023-06-30

Family

ID=86918114

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310234705.9A Pending CN116350231A (zh) 2023-03-13 2023-03-13 基于层级不同粒度类别约束的半监督心电图心肌梗死定位方法

Country Status (1)

Country Link
CN (1) CN116350231A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117796817A (zh) * 2024-02-29 2024-04-02 山东大学齐鲁医院 一种急性心肌梗死快速检测和预警的方法及系统
CN118177827A (zh) * 2024-04-22 2024-06-14 中国人民解放军南部战区总医院 一种基于心电向量图的心肌梗死定位方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070219453A1 (en) * 2006-03-14 2007-09-20 Michael Kremliovsky Automated analysis of a cardiac signal based on dynamical characteristics of the cardiac signal
WO2017072250A1 (en) * 2015-10-27 2017-05-04 CardioLogs Technologies An automatic method to delineate or categorize an electrocardiogram
CN110974214A (zh) * 2019-12-20 2020-04-10 华中科技大学 一种基于深度学习的自动心电图分类方法、系统及设备
CN115359294A (zh) * 2022-08-23 2022-11-18 上海交通大学 一种基于相似性正则化类内挖掘的跨粒度小样本学习方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070219453A1 (en) * 2006-03-14 2007-09-20 Michael Kremliovsky Automated analysis of a cardiac signal based on dynamical characteristics of the cardiac signal
WO2017072250A1 (en) * 2015-10-27 2017-05-04 CardioLogs Technologies An automatic method to delineate or categorize an electrocardiogram
CN110974214A (zh) * 2019-12-20 2020-04-10 华中科技大学 一种基于深度学习的自动心电图分类方法、系统及设备
CN115359294A (zh) * 2022-08-23 2022-11-18 上海交通大学 一种基于相似性正则化类内挖掘的跨粒度小样本学习方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
佟彦妮;张瑞卿;沈阳;蒋华;常世杰;沙宪政;: "基于卷积神经网络的房室肥大心电图的自动识别与分类诊断", 中国医疗器械杂志, no. 01, 30 January 2020 (2020-01-30) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117796817A (zh) * 2024-02-29 2024-04-02 山东大学齐鲁医院 一种急性心肌梗死快速检测和预警的方法及系统
CN118177827A (zh) * 2024-04-22 2024-06-14 中国人民解放军南部战区总医院 一种基于心电向量图的心肌梗死定位方法

Similar Documents

Publication Publication Date Title
CN111192245B (zh) 一种基于U-Net网络的脑肿瘤分割网络及分割方法
Wong et al. Deep learning-based cardiovascular image diagnosis: a promising challenge
Dezaki et al. Cardiac phase detection in echocardiograms with densely gated recurrent neural networks and global extrema loss
CN104523264B (zh) 一种心电信号处理方法
CN116350231A (zh) 基于层级不同粒度类别约束的半监督心电图心肌梗死定位方法
CN110853051A (zh) 基于多注意密集连接生成对抗网络的脑血管影像分割方法
Zeng et al. MAEF-Net: Multi-attention efficient feature fusion network for left ventricular segmentation and quantitative analysis in two-dimensional echocardiography
CN112132808B (zh) 基于常态模型学习的乳腺x线图像病变检测方法和装置
CN116739985A (zh) 一种基于Transformer和卷积神经网络的肺部CT图像分割方法
CN108664976B (zh) 一种基于超像素的模糊谱聚类脑肿瘤图像自动分割方法
Kazemi et al. Classifying tumor brain images using parallel deep learning algorithms
Abbas et al. Enhanced skin disease diagnosis through convolutional neural networks and data augmentation techniques
Merjulah et al. Segmentation technique for medical image processing: A survey
CN114782384A (zh) 一种基于半监督方法的心脏腔室图像分割方法及装置
CN116563549B (zh) 基于粗粒度弱标注的磁共振图像心脏分割方法
WO2023108968A1 (zh) 基于知识驱动的深度学习图像分类方法和系统
CN116759076A (zh) 一种基于医疗影像的无监督疾病诊断方法及系统
Sengan et al. Echocardiographic image segmentation for diagnosing fetal cardiac rhabdomyoma during pregnancy using deep learning
CN110613445A (zh) 一种基于dwnn框架的心电信号的识别方法
CN118161169A (zh) 基于图神经网络的冠心病ecg智能检测方法
Dambal et al. Premature Ventricular Contraction Classification Based on Spiral Search-Manta Ray Foraging and Bi-LSTM
CN114366116B (zh) 一种基于Mask R-CNN网络及心电图的参数获取方法
CN116849637A (zh) 一种基于轻量级脉冲神经网络的异常心率诊断系统
CN117541836A (zh) 多模态医学影像无监督表征学习方法
CN117274667A (zh) 一种基于多任务学习的胎儿心脏疾病超声图像质量检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination