一種基于語義分割的多導聯心律失常檢測方法技術

一種基于語義分割的多導聯心律失常檢測方法，包括以下步驟：(1)獲取訓練數據；(2)標定數據標簽；(3)模型構建和訓練；(4)分類模型應用。本發明專利技術突破傳統心拍分類方法在實際使用中依賴心拍識別算法的缺陷，提出基于語義分割的心拍分類方法，該方法適用于不同導聯動態心電圖的心律失常心拍分類訓練，以及不同類型心拍的分類識別，可輔助醫生讀取心電圖并縮短分析時間。時間。時間。

【技術實現步驟摘要】
一種基于語義分割的多導聯心律失常檢測方法


[0001]本專利技術涉及動態心電圖的自動輔助檢測
，具體涉及一種基于語義分割的多導聯心律失常檢測方法。

技術介紹

[0002]隨著人類生活節奏的不斷加快，心臟疾病成為威脅人類健康的重要疾病，而多數心臟病人都伴有心律失常，因此準確的檢測和診斷心律失常,對于心臟病的預防、監測、治療、以及輔助醫生診斷，提高醫生的讀取心電圖的效率方面都具有重要的意義。
[0003]心電圖心拍種類繁多，室上性早搏、室性早搏、室早與正常心搏的融合、束滯阻滯，室上性逸博，室性逸博，不僅在心臟病人群中較為常見，而且在普通人群中也較為常見。
[0004]目前有多種方法進行心電圖心拍的分類，包括專家系統分類、基于傳統機器學習方法，深度方法等，這些方法均為在已識別R峰的基礎上將心拍分割出來，作為訓練數據。這些方法一方面依賴于心拍識別的準確率，另一方面只保留了心拍的形態特征，損失了心電信號心拍之間的節律信息，分類結果難以適應實際的臨床需求。

技術實現思路

[0005]為了克服實際應用中心拍分類方式需要依賴QRS的位置，識別方法受到很大限制的問題，本專利技術提供一種基于語義分割的多導聯心律失常檢測方法，有效避免QRS識別算法的影響，并增加片段內心拍間的信息，準確的識別并出多種心拍類型并定位出心拍的位置。
[0006]本專利技術解決其技術問題所采用的技術方案是：
[0007]一種基于語義分割的多導聯心律失常檢測方法，包括以下步驟：
[0008](1)獲取訓練數據：從已有心拍標簽的心電信號數據庫中選取心電信號作為訓練數據集，數據集中需至少包含正常心拍、室上性早搏、室性早搏、室早與正常心搏的融合、束支阻滯，室上性逸博，室性逸博，疑問八類；將心電信號統一采樣率，并濾波處理；將預處理后的心電信號按照S個點的固定片段逐條分割，融合分割后的數據作為訓練數據，訓練數據集的每一個片段至少包含上面提到的一種心拍類型；
[0009](2)標定數據標簽：將訓練數據集逐點標記，根據心拍位置，獲取心拍的起始點U點和結束點J點，將U
?
J點之間的點標記為對應的心拍標簽，其他區域標記為其他類型，每一條固定片段的心電信號得到S個點的標簽序列，融合所有標簽序列作為訓練標簽；
[0010](3)模型構建和訓練：模型由三個并行膨脹卷積模塊和SENet模塊組成，將訓練集的標簽做one
?
hot編碼，和訓練集一起，按批次輸入模型訓練，訓練多次后，損失不再下降，則保留最好的模型，結束訓練；
[0011](4)分類模型應用：將需要心拍分類的心電信號分割為長度為S個點的數據段，并合并作為測試數據集，再將測試數據集輸入步驟(3)得到的分類模型中，輸出數據段對應的概率序列，選擇大于概率閾值的點保留，統計連續保留點的寬度，若大于設定的寬度閾值，則將連續保留點的中心位置標記為心拍所處的位置，對應的類型標記為心拍的類型，至此
完成本專利技術所述的分類方法。
[0012]進一步，所述步驟(1)中，獲取訓練數據的操作步驟如下：
[0013](1
?
1)訓練數據集為已有心拍類型標簽的心電信號數據庫，數據庫來源不限，信號通道數量不限，可為單導聯也可為多導聯；同時，數據庫需按照心拍標記，至少包含正常心拍、室上性早搏、室性早搏、室早與正常心搏的融合、束滯阻滯，室上性逸博，室性逸博，疑問這八類心拍標簽；
[0014](1
?
2)將數據集中的心電信號統一重采樣為200Hz，并經過帶通濾波處理，帶通頻率為[0.67～40Hz]，將預處理后的信號按照S個點的固定心電信號段逐條分割，S＝Fs*T，Fs為采樣率，T為時間，T＝30s，合并所有的心電信號段記為trainDataSet，數據維度為N*S*C，N為數據量，S為每個樣本的數據量，C為信號通道數量，C＝1,2
…
12。
[0015]所述步驟(2)中，所述的訓練數據的標簽用0～8表示八個心拍類型和其他類型，根據標注的心拍標簽，標記不同的數字，標記的范圍是心拍起始位置U點到結束位置J點的區段，以心電信號中已標注的R峰值為中心，向左側100ms范圍尋找最低的拐點作為U點，向右側100ms范圍尋找最低的拐點作為J點，若未找到，則以左側100ms位置處作為U點，右側100ms位置作為J點，U點到J點以外的其他區域標記為其他類型。每個心電信號片段得到S個點的標簽序列，匯總并記為trainLabelSet(N*S*1)。
[0016]所述步驟(3)中，模型構建和訓練的操作步驟如下：
[0017](3
?
1)采用三個并行的卷積神經網絡模塊，記為Block1，Block2，Block3。每一個bolck有四層神經網絡組成，每層的輸出維度分別為8，16，32，64，卷積核分別為15，11，7，5，三個Block分別采用不同的膨脹率，Block1膨脹率均為1，Block2的膨脹率為2，4，8，16，Block3的膨脹率為4，8，16，32，將Block1，Block2和Block3的輸出結果連接，得到輸出維度為64*3＝192的特征，將三個并行的卷積神經網絡組成的模塊記為CnnBlock。將CnnBlock經過SENet模塊獲取權重結果，再將權重結果和CnnBlock相乘，經過兩層全連接層和激活函數，輸出結果；
[0018](3
?
2)訓練標簽采用one
?
hot編碼，trainLabelSet(N*S*1)編碼之后的維度為N*S*H，H為分類的類型數量，H＝9；
[0019](3
?
3)將訓練數據和測試數據按批次輸入模型訓練。訓練過程中不斷保存loss值最小的模型，損失值若在K次不下降，則動態調整學習率。直到學習率達到設定的最小值，loss值仍然不再下降，則結束訓練，并將保存的最好的模型作為最終訓練好的模型。
[0020]所述步驟(4)中，分類模型應用的操作步驟如下：
[0021](4
?
1)將需要進行心拍分類的心電信號重采樣到200Hz，預處理。然后分割為長度為S個點的數據段Seg
i
，i＝0,1,2
…
L
?
1，L為測試集信號段的數量，為避免順序分割的方法可能將一個心拍分割在兩個片段內，采用回退2s的分割方法。信號段Seg0～Seg
n
?2分割的起始位置stratIdx[i]＝R*200，R＝i*28，i＝0,1,2,3
…
L
?
2，結束位置endIdx＝startIdx+30*Fs，考慮到最后一個片段Seg
n
?1可能不足30s，因此將最后一個片段的endIdx設置為信號總長度Lens
?
1，startIdx[L
?
1]＝endIdx
?
30*Fs，合并所有數據段并記為test本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于語義分割的多導聯心律失常檢測方法，其特征在于，所述方法包括以下步驟：(1)獲取訓練數據：從已有心拍標簽的心電信號數據庫中選取心電信號作為訓練數據集，數據集中需至少包含正常心拍、室上性早搏、室性早搏、室早與正常心搏的融合、束支阻滯，室上性逸博，室性逸博，疑問八類，將心電信號統一采樣率，并濾波處理；將預處理后的心電信號按照S個點的固定片段逐條分割，融合分割后的數據作為訓練數據，訓練數據集的每一個片段至少包含上面提到的一種心拍類型；(2)標定數據標簽：將訓練數據集逐點標記，根據心拍位置，獲取心拍的起始點U點和結束點J點，將U
?
J點之間的點標記為對應的心拍標簽，其他區域標記為其他類型，每一條固定片段的心電信號得到S個點的標簽序列，融合所有標簽序列作為訓練標簽；(3)模型構建和訓練：模型由三個并行膨脹卷積模塊和SENet模塊組成，將訓練集的標簽做one
?
hot編碼，和訓練集一起，按批次輸入模型訓練，訓練多次后，損失不再下降，則保留最好的模型，結束訓練；(4)分類模型應用：將需要心拍分類的心電信號分割為長度為S個點的數據段，并合并作為測試數據集，再將測試數據集輸入步驟(3)得到的分類模型中，輸出數據段對應的概率序列，選擇大于概率閾值的點保留，統計連續保留點的寬度，若大于設定的寬度閾值，則將連續保留點的中心位置標記為心拍所處的位置，對應的類型標記為心拍的類型。2.如權利要求1所述的一種基于語義分割的多導聯心律失常檢測方法，其特征在于，所述步驟(1)中，獲取訓練數據的操作步驟如下：(1
?
1)訓練數據集為已有心拍類型標簽的心電信號數據庫，數據庫來源不限，信號通道數量不限，可為單導聯也可為多導聯；同時，數據庫需按照心拍標記，至少包含正常心拍、室上性早搏、室性早搏、室早與正常心搏的融合、束滯阻滯，室上性逸博，室性逸博，疑問這八類心拍標簽；(1
?
2)將數據集中的心電信號統一重采樣為200Hz，并經過帶通濾波處理，帶通頻率為[0.67～40Hz]，將預處理后的信號按照S個點的固定心電信號段逐條分割，S＝Fs*T，Fs為采樣率，T為時間，T＝30s，合并所有的心電信號段記為trainDataSet，數據維度為N*S*C，N為數據量，S為每個樣本的數據量，C為信號通道數量，C＝1,2
…
12。3.如權利要求1或2所述的一種基于語義分割的多導聯心律失常檢測方法，其特征在于，所述步驟(2)中，所述的訓練數據的標簽用0～8表示八個心拍類型和其他類型，根據標注的心拍標簽，，標記不同的數字，標記的范圍是心拍起始位置U點到結束位置J點的區段，以心電信號中已標注的R峰值為中心，向左側100ms范圍尋找最低的拐點作為U點，向右側100ms范圍尋找最低的拐點作為J點，若未找到，則以左側100ms位置處作為U點，右側100ms位置作為J點，U點到J點以外的其他區域標記為其他類型，每個心電信號片段得到S個點的標簽序列，匯總并記為trainLabelSet(N*S*1)。4.如權利要求1或2所述的一種基于語義分割的多導聯心律失常檢測方法，其特征在于，所述步驟(3)中，模型構建和訓練的操作步驟如下：(3
?
1)采用三個并行的卷積神經網絡模塊，記為Block1，Block2，Block3，每一個bolck有四層神經網絡組成，每層的輸出維度分別為8，16，32，64，卷積核分別為15，11，7，5，三個Block分別采用不同的膨脹率，Block1膨脹率均為1，Block2的膨脹率為2，4，8，16，Block3的
膨脹率為4，8，16，32，將Block1，Block2和Block3的輸出結果連接，得到輸出維度為64*3＝192的特征，將三個并行的卷積神經網絡組成的模塊記為CnnBlock，將CnnBlock經過SENet模塊獲取權重結果，再將權重結果和CnnBl...

【專利技術屬性】
技術研發人員：謝寒霜，顏佳逸，吳璠，王震，
申請(專利權)人：杭州質子科技有限公司，
類型：發明
國別省市：