基于深度神经网络的心电图智能分析方法及系统与流程

本发明涉及医疗人工智能技术领域，具体地指一种基于深度神经网络的心电图智能分析方法及系统。

背景技术

据权威调查显示，心血管疾病已经成为世界人口死亡的主要原因之一。每年死于心血管疾病的人数占死亡总人数的三分之一。

心电图是常见的用于观察人体心电活动的医疗检查手段，心电图机将心脏活动的电信号提取为数字信号，并用心电图的形式展现出来。随着人工智能领域特别是深度学习技术的发展，分析数字心电信号的技术越来越丰富和成熟。但心电图的人工分析，不仅需要经过专业训练的医师进行大工作量的劳动，而且主观性比较强，因此对心电图进行自动分析就显得迫切需要。因此，设计出成本低、性能达到医用标准的心电图智能诊断方法及系统，有着重大的社会效益和经济效益。

目前，通常采用支持向量机算法进行心电图的智能判断。svm算法的心电图诊断主要分为特征提取以及模式识别，特征提取的优劣和模式分类器的性能直接影响整个识别系统的性能。由于特征工程对于技术人员对心电的理解要求很高，通常选用的特征也比较少，基于支持向量机的心电图智能诊断方法效果往往不够理想。

技术实现要素：

针对现有技术中对于静态心电图的特征难以提取、判断识别率低的技术问题，本发明提出了一种基于深度神经网络的心电图智能分析方法及系统，采用了卷积神经网络，实现了对于病人12或者18导联心电图的准确判断，通过对12或者18导联整体横向层面判断和单个心动周期的纵向层面判断，对病人心电图进行节律和形态上的识别。

本发明提出的基于深度神经网络的心电图智能分析方法，其特殊之处在于，所述方法包括训练阶段和检测阶段；所述训练阶段包括如下步骤：

a1)采集若干份n导联静态心电图的图像信息，n为大于4的自然数；

a2)对每一份n导联静态心电图的图像信息标注横向层面标签和纵向层面标签；

a3)对每一份n导联静态心电图的图像信息进行预处理，每一份图像信息得到n个带有横向层面标签的特征序列样本数据和带有纵向层面标签的特征序列样本数据；

a4)将每一份n个带有横向层面标签的特征序列样本数据作为n个识别横向层面的卷积神经网络的输入，训练得到n个识别横向层面的卷积神经网络模型；

a5)将每一份带有纵向层面标签的特征序列样本数据作为识别纵向层面的卷积神经网络的输入，训练得到识别纵向层面的卷积神经网络模型；

所述检测阶段包括如下步骤：

b1)采集待检测的n导联静态心电图的图像信息；

b2)对所述待检测的n导联静态心电图的图像信息进行预处理，得到n个特征序列和以心跳周期分割的特征序列；

b3)将所述n个特征序列作为n个识别横向层面的卷积神经网络模型的输入，得到n个带有横向层面标签及概率值的输出，即横向识别异常分析；

b4)将所述以心跳周期分割的特征序列作为识别纵向层面的卷积神经网络模型的输入，得到纵向层面标签及概率值，即纵向识别异常分析。

优选地，所述n导联静态心电图信号数据的来源可以为pdf、csv、ecg、文本、内存数据流或者xml等格式的心电数据，所述横向层面标签和纵向层面标签为pdf格式的文字信息、文本信息或其他来源的标签数据，n为12或18。

优选地，所述步骤a3)预处理的过程为提取图像信息、横向层面标签和纵向层面标签的文字信息，转换为带有横向层面标签和纵向层面标签的csv文件或其他心电数据存储格式的文件，即将步骤a2)中获取的数据统一为指定的某种格式。

优选地，所述步骤b4)中以心跳周期分割的特征序列根据n个带有横向层面标签及概率值的输出得到，将n导联中带有横向层面标签的心跳周期去除，选择没有任何横向层面标签的完整心跳周期的特征序列输入识别纵向层面的卷积神经网络模型。

优选地，所述横向层面标签为对每个导联单独心电图数据标注的横向异常图像特征的文字信息，横向异常图像特征反映节律失常类型。

优选地，所述纵向层面标签为对每个心搏对应的同一个时间点的n导联的心电图数据标注的纵向异常图像特征的文字信息，纵向异常图像特征反映形态失常类型。

优选地，所述步骤a1)中的n导联静态心电图的图像信息不少于10000份。

基于上述基于深度神经网络的心电图智能分析方法，本发明还提出一种基于深度神经网络的心电图智能分析方法的系统，其特殊之处在于，包括心电数据采样模块、数据标注模块、数据预处理模块、横向层面判断模块、纵向层面判断模块和分析融合模块；

所述心电数据采样模块：用于采集n导联静态心电图的图像信息；

所述数据标注模块：用于对n导联静态心电图的图像信息标注横向层面标签和纵向层面标签；

所述数据预处理模块：用于n导联静态心电图的图像信息，提取为心电数据，所述心电数据为csv文件、内存数据流或其他心电数据存储格式的文件；

所述横向层面判断模块：用于将预处理后的n导联的心电数据输入相应的n个识别横向层面的卷积神经网络模型，分别进行判断，得出n个带有横向层面标签及概率值的输出；每一个识别横向层面的卷积神经网络模型与一个导联的心电数据相对应。

所述纵向层面判断模块：用于将预处理后的n导联的心电数据按照心动周期分割电信号数据并输入识别纵向层面的卷积神经网络模型，进行判断，带有纵向层面标签及概率值的输出；每一个识别纵向层面的卷积神经网络模型与一个导联的心电数据相对应。

所述分析融合模块：用于将n个带有横向层面标签及概率值的输出和带有纵向层面标签及概率值的输出进行融合，得到心电图分析报告。

在机器学习中，卷积神经网络(convolutionalneuralnetwork,cnn)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元。卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。一般地，cnn的基本结构包括两个阶段，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。因为cnn的特征检测层通过训练数据进行学习，所以在使用cnn时，避免了显示的特征抽取，而是隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习。

相比于传统判断方法，本发明基于深度神经网络的心电图智能分析方法及系统，针对12通道或者18通道静态心电图的智能诊断方法，采用了卷积神经网络，实现了对于病人12通道或者18通道心电图的准确判断，通过对12或18通道整体和单个心动周期的判断，对病人心电图进行节律和形态上的识别。本发明使用卷积神经网络对所有导联进行分别学习和判断，因而避免了传统机器学习方法特征工程的困难。实验结果表明，本方法具有更好的识别效果。本发明可操作性更强，网络的泛化能力更好，心电图识别的准确率更高。

附图说明

图1为本发明基于深度神经网络的心电图智能分析方法的系统的结构框图。

图2为本发明基于深度神经网络的心电图智能分析方法的流程图。

图3为本发明基于深度神经网络的心电图智能分析方法的深度学习的网络结构。

图4为本发明基于深度神经网络的心电图智能分析方法的具体分类。

具体实施方式

下面结合附图及实施例对本发明作进一步的详细描述，但该实施例不应理解为对本发明的限制。

如图1所示，本发明提出的基于深度神经网络的心电图智能分析方法的系统，包括心电数据采样模块、数据标注模块、数据预处理模块、横向层面判断模块、纵向层面判断模块和分析融合模块。

心电数据采样模块：用于采集n导联静态心电图的图像信息。

数据标注模块：用于对n导联静态心电图的图像信息标注横向层面标签和纵向层面标签。数据标注模块由心电图标注工具来实现。标注人员使用心电图标注工具获取任务，未标注的心电数据由后台直接传输到客户端，标注人员在对整张图进行标注工作时，需要先根据心电图片异常信息选择对应的分类是属于横向层面异常或纵向层面异常，之后再选择对应的二级分类，若未出现异常标记，则认为该心电图为正常。在对每个周期进行打标签工作时，系统会识别出每一个心动周期，由标注人员逐一对每个心动周期进行标注工作，当前心电图完成标注工作后数据会自动同步到服务端。

数据预处理模块：用于n导联静态心电图的图像信息，提取为心电数据，心电数据为csv文件、内存数据流或其他心电数据存储格式的文件；

横向层面判断模块：用于将预处理后的n导联的心电数据输入相应的n个识别横向层面的卷积神经网络模型，分别进行判断，得出n个带有横向层面标签及概率值的输出；每一个识别横向层面的卷积神经网络模型与一个导联的心电数据相对应。

纵向层面判断模块：用于将预处理后的n导联的心电数据按照一个心动周期分割电信号数据并输入识别纵向层面的卷积神经网络模型，进行判断，带有纵向层面标签及概率值的输出；每一个识别纵向层面的卷积神经网络模型与一个导联的心电数据相对应。

分析融合模块：用于将n个带有横向层面标签及概率值的输出和带有纵向层面标签及概率值的输出进行融合，得到心电图分析报告。

心电图机直接连接心电诊断系统，本发明提出的基于深度神经网络的心电图智能分析方法的系统置于心电诊断系统中，医生上传所有病人的心电数据，心电诊断系统处理后按照患者姓名、年龄、性别等资料综合分析并进行编号与存档，基于深度神经网络的心电图智能分析方法的系统通过模型进行检测并得到两大类结果，这里的四大类是通过对心电图的横向层面、纵向层面进行分类，具体如图4所示，同时通过判断是否为起搏器心电图来划分为横向识别、纵向识别两大类。对于横向识别异常判断是否为窦性或房性心律失常来具体划分为五小类心律失常，包括窦性及窦性心律失常、房性心律失常、交界性心律失常、室性心律失常和心电静止。对于纵向异常判断，通过对qrs波群、p波、t波、j波、u波的判断，具体划分为p波异常、qrs波群异常、转位/电轴、st-t异常、j波、t波改变、u波改变、qt间期、房室肥大、心肌梗死及其它特殊现象等十二小类形态失常。对于传导产生的异常具体划分为窦房阻滞、心房传导、房室阻滞、室内阻滞及心室预激等五小类。对于起搏器心电图，具体划分为起搏方式和起搏感知两小类。该心电诊断系统也可用于家用心电检测仪，获取本地数据，通过预处理过滤掉大量正常心电数据，并将处理后得到的数据上传到服务器，利用基于深度神经网络的心电图智能分析方法的系统进行分类检测。

本发明提出的基于深度神经网络的心电图智能分析方法，可以基于上述系统实现，也可以通过其他系统实现，如图2所示，以12导联为例，6导联、18导联的处理方法相同，本方法包括训练阶段和检测阶段。

训练阶段包括如下步骤：

a1)采集近100,000份12导联静态心电图的图像信息；

a2)对每一份12导联静态心电图的图像信息标注横向层面标签和纵向层面标签。横向层面是每个导联单独心电图的数据，横向层面标签是根据心电图数据显示的横向异常图像特征而标注的文字信息，横向异常图像特征反映节律失常类型。12导联对应12组横向层面标签。

每一组纵向层面为每个心搏(即心跳周期)对应的同一个时间点的十二个导联的心电图形态，纵向层面标签是根据心电图数据显示的纵向异常图像特征而标注的文字信息，纵向异常图像特征反映形态失常类型。12导联在一个时间点对应一组纵向层面标签。

12导联静态心电图的图像信息为pdf格式图像，横向层面标签、纵向层面标签为pdf格式的文字信息。

a3)对每一份12导联静态心电图的图像信息进行预处理，每一份图像信息得到12个带有横向层面标签的特征序列样本数据和带有纵向层面标签的特征序列样本数据。预处理的过程为提取图像信息、横向层面标签和纵向层面标签的文字信息，转换为带有横向层面标签和纵向层面标签的csv文件。本实施例中以csv格式文件为例，通过内存数据流或者其他心电数据存储格式的文件亦能实现本发明效果。

a4)将每一份12个带有横向层面标签的特征序列样本数据作为12个识别横向层面的卷积神经网络的输入，训练得到12识别横向层面的卷积神经网络模型；

a5)将每一份带有纵向层面标签的特征序列样本数据作为识别纵向层面的卷积神经网络的输入，训练得到识别纵向层面的卷积神经网络模型；

检测阶段包括如下步骤：

b1)采集待检测的12导联静态心电图的图像信息；

b2)对待检测的12导联静态心电图的图像信息进行预处理，得到n个特征序列和以心跳周期分割的特征序列；

b3)将n个特征序列作为12个识别横向层面的卷积神经网络模型的输入，得到12个带有横向层面标签及概率值的输出，即心电图的横向识别异常分析；

b4)将以心跳周期分割的特征序列作为识别纵向层面的卷积神经网络模型的输入，得到纵向层面标签及概率值，即心电图的纵向识别异常分析。

以心跳周期分割的特征序列根据12个带有横向层面标签及概率值的输出得到，将12导联中带有横向层面标签的心跳周期去除，选择没有任何横向层面标签的完整心跳周期的特征序列输入识别纵向层面的卷积神经网络模型。

本发明提出的多卷积神经网络融合算法时基于卷积神经网络的学习算法，网络结构如图3所示。卷积神经网络(convolutionalneuralnetwork,cnn)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型数据处理有出色表现。一般地，cnn的基本结构包括两个阶段，每个阶段都包含若干层。其一为特征提取阶段，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射阶段，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。

因为cnn的特征检测阶段通过训练数据进行学习，所以在使用cnn时，避免了显式的特征抽取，而是隐式地从训练数据中进行学习；再者因为同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于全连接网络的一大优势。卷积神经网络其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量可以直接输入网络这一特点降低了特征提取和分类过程中数据重建的复杂度。

卷积神经网络的学习步骤如下：

step1:输入训练样本集。

step2:构建网络并进行初始化，随机生成输入层到隐含层权值矩阵w、隐含层阈值向量b以及卷积层参数。

step3:根据现有网络对输入样本数据进行计算得到一个关于标签信息的向量。

step4:由分类器向前面的特征抽取器传播。

step5:根据神经网络的权重修改策略更新权值。

step6:重复step3到step5至迭代次数。

分别输入12导联电信号数据的特征序列的样本数据分别对所述的卷积神经网络进行训练，计算所有卷积层池化层的参数。输入训练样本集根据导联的编号分别输入到相对应的神经网络中进行训练，最终可以运算出12个识别横向层面的卷积神经网络模型和1个识别纵向层面的卷积神经网络模型中各个卷积层和池化层的参数。

训练卷积神经网络的训练过程为求解出网络中所有参数的过程，求出各个参数即训练完成。

将12导联静态心电图特征序列的数据分别输入对应的卷积神经网络进行识别。将输出值与预先得到的标签数据进行对比即可判定输出值是否正确。

试验及结果分析

本发明选取的数据是从约35000个病人处采集得到约100000份心电图数据，由心电方面专家为每个周期作出诊断，打出标签。测试集是从其中独立的4000个病人采集得到的12000份数据，这部分心电数据不参与到模型训练中。其中心电图智能判断的流程图如图2所示。

表1独立测试统计结果

表1中给出了基于深度神经网络的心电图智能分析方法的识别效果，我们可以看出卷积神经网络算法的识别效果十分优秀。

根据上面的实验结果，可以得出下面的结论：

基于卷据神经网络的心电图智能诊断方法在12导联静态心电图的识别上表现优异。这是由于cnn的特征检测层通过训练数据进行学习，所以在使用cnn时，避免了显示的特征抽取，而隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。实验结果表明，本方法具有更好的识别效果。本发明可操作性更强，网络的泛化能力更好，心电图的正确识别率更高。

尽管上面结合附图对本发明的优选实施例进行了描述，但是本发明并不局限于上述的具体实方式，上述的具体实施方式仅仅是示意性的，并不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可以作出很多形式的具体变换，这些均属于本发明的保护范围内。