一种基于深度学习的房颤预测装置和设备的制作方法

本发明属于心电图房颤预测领域，更具体地，涉及一种基于深度学习的房颤预测装置和设备。
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。基于此，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，市场上现存的这类监测仪是基于传统的测量分类法对采集到的心电图波形数据进行检测，而携带式心电监测仪、家庭个人用心电波监测仪的信号容易受外界噪音干扰，导致传统的测量分类法在对一些切分点不明显的波形进行预测时，往往会出现错误预测，从而导致计算参数不正确，并最终导致监测仪预测出错误的结果，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。技术实现要素：本发明提供一种基于深度学习的房颤预测装置和设备，用以解决现有房颤检测装置对房颤预测精度不高的技术问题。本发明解决上述技术问题的技术方案为：一种基于深度学习的房颤预测装置，包括：信息提取模块，用于获取多导联原始心电图数据，并基于每导联的原始心电图数据，得到该导联对应的心电图节律信息；信息处理模块，用于采用线性数字滤波器，确定每导联对应的所述心电图节律信息中r点位置以及各r点位置对应的心跳周期及其波形信息，以构建得到多导联之间相同心跳周期的波形信息集合；采用降噪自编码器，分别对每个所述心跳周期对应的所述波形信息集合进行特征提取和降维，得到该波形信息集合对应的多维特征数据，并通过高斯回归过程，计算该多维特征数据中每个维度特征数据的均值和方差；结果预测模块，用于按照时间顺序，将不同心跳周期对应的多维特征数据的所述均值和方差与该心跳周期的自适应阈值比较，判断该心跳周期是否发生房颤，完成心电图房颤预测。本发明的有益效果是：本发明采用多导联的原始心电图波形数据，其具有更加充分的信息，能提升心电图分类辅助信息的精确度。通过提取的心电图节律信息来表征原始心电图波形数据，能够提高心电图分类信息的精确度。另外，将心电图节律信息输入至线性数字滤波器进行数据去噪以及包括r点的心跳周期及其波形信息的提取，保证了心跳周期及其波形信息的精确度。之后，每个心跳周期的波形信息集合到达降噪自编码器以进行多维特征数据预测，由于降噪自编码器具有极高的鲁棒性，能够使得最后的心电图波形预测结果更加准确，有效解决了现有基于房颤预测精度不高的问题。上述技术方案的基础上，本发明还可以做如下改进。进一步，所述线性数字滤波器包括：由低通和高通滤波器级联组成的整数系数带通滤波器，用于滤除每导联对应的所述心电图节律信息中的噪声；导数滤波器，用于对每导联对应的滤除噪声之后的心电图节律信息分别进行微分得到qrs复数斜率信息以及进行幅度平方处理后通过移动窗口积分器获得波形特征信息；信息确定单元，基于每导联对应的所述qrs复数斜率信息和所述波形特征信息，确定得到该导联对应的r点位置以及各r点对应的心跳周期及其波形信息。本发明的进一步有益效果是：由于原始心电图数据的采样频率大且冗杂各种噪声很难用传统的方法处理，需要一种能对高频率原始信号和心电图波形进行学习的方法，才能达到很好的拟合学习效果，在本发明采用由级联低通和高通滤波器组成的整数系数带通滤波器，低通和高通滤波器相连可以有效的抑制噪声。而进一步的，本发明对每导联对应的心电图节律信息进行微分以提供qrs复数斜率信息并经过幅度平方处理(即信号逐点平方)后通过移动窗口积分器(目的是获得r波的斜率之外的波形特征信息)。基于qrs复数斜率信息和波形特征信息，能够准确找到原始心电图波形数据中每一个r点及其对应的完整的心跳周期。进一步，每个心跳周期的所述波形特征信息为包括pqrst波形在内的一个心跳的完整信息。本发明的进一步有益效果是：包括pqrst波形在内的一个心跳的完整信息的提取能够有效减小非诊断要素如人体移动、电极不稳定带来的波形变化影响，同时由于包括pqrst波形在内的一个心跳的完整信息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。进一步，每导联的所述原始心电图数据为八秒以上的原始心电图波形数据。本发明的进一步有益效果是：八秒以上的原始心电图波形数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。进一步，所述降噪自编码器包括三层卷积神经网络。本发明的进一步有益效果是：优化的采用三层卷积神经网络，因为更深层的卷积神经网络训容易对数据过拟合而更少层的网络容易欠拟合，本发明的三层神经网络对于心电图波形预测具有最优的学习效果。进一步，所述三层卷积神经网络结构相同，均包括：三个卷积层，三个线性整流激活层和flatten层，以及全连接层；其中，第一层卷积层和第三层卷积层均有八个卷积核，第二层卷积层有十六个卷积核，每个卷积核的大小为五、步长为一。进一步，当前心跳周期的所述自适应阈值为：前一心跳周期的所述多维特征数据对应的多个均值的平均值与多个方差的平均值的线性组合。进一步，所述多维特性数据为七维，包括平均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。本发明还一种基于深度学习的房颤预测设备，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现如上所述的任一种基于深度学习的房颤预测装置的具体功能。本发明还提供一种机器可读存储介质，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现如上所述的任一种基于深度学习的房颤预测装置的具体功能。附图说明图1为本发明实施例提供的一种基于深度学习的房颤预测装置示意图；图2为本发明实施例提供的采用降噪自编码器对多维特征数据进行特征提取和压缩的示意图；图3为本发明实施例提供的在公开数据集上进行r点获取的示意图；图4为本发明实施例提供的不加噪声时降噪自编码器重建的波形图；图5为本发明实施例提供的加噪声时降噪自编码器重建的波形图；图6为本发明实施例提供的自适应阈值算法预测图；图7为本发明实施例提供的一次房颤预测的结果图；图8为本发明实施例提供的另一次房颤预测的结果图；图9为本发明实施例提供的另一次房颤预测的结果图；图10为本发明实施例提供的另一房房颤预测的结果图。具体实施方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。实施例一一种基于深度学习的房颤预测装置，如图1所示，包括：信息提取模块，用于获取多导联原始心电图数据，并基于每导联的原始心电图数据，得到该导联对应的心电图节律信息；信息处理模块，用于采用线性数字滤波器，确定每导联对应的所述心电图节律信息中r点位置以及各r点位置对应的心跳周期及其波形信息；构建得到多导联之间相同心跳周期的波形信息集合；采用降噪自编码器，分别对每个所述心跳周期对应的所述波形信息集合进行特征提取和降维，得到该波形信息集合对应的多维特征数据；通过高斯回归过程，计算该多维特征数据中每个维度特征数据的均值和方差；结果预测模块，用于按照时间顺序，将不同心跳周期对应的多维特征数据的所述均值和方差与该心跳周期的自适应阈值比较，判断该心跳周期是否发生房颤，完成心电图房颤预测。例如，获取12导联原始心电图数据，并提取得到12导联对应的12部分的心电图节律信息，经过线性数字滤波器，得到每导联对应的心电图节律信息中r点位置以及各r点位置对应的心跳周期及其波形信息，基于此，构建各心跳周期的波形信息集合，具体的，若切取的一个心跳周期长度为100个数据点，一个心跳周期对应波形信息集合为100*12个数据点，使用无监督学习算法dae对该100*12个数据点进行特征提取和压缩降维，最终将这个100*12的数据点压缩到七维特征数据。例如七维特性数据包括平均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。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。另外，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，可将各个导联的心电图节律信息串联成一维数据并输入给线性数字滤波器。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经过线性数字滤波器处理且处理信息到达降噪自编码器以进行多维特征数据预测时，各个导联间的相关性在经过多心跳周期的充分的训练后可以得到有效总结，能够进一步提升最终的房颤预测结果的正确率。最后，使用自适应阈值算法，根据前面时间段的心电图波形来自动设置当前心跳周期的阈值，能有效的减小因患者移动、电压不稳等带来的外部干扰，同时使得预测结果更加准确。其中，降噪自编码器提取的多维特征数据可以重建出原始心跳大致的形状，重建的过程可以减弱噪声的影响。另外，通过线性数字滤波器(一个实时的qrs点检测算法)提取心电图的qrs点；然后通过qrs点提取的结果来切取病人一个完整的心跳周期，从而进一步提升最终的心电图预测结果的正确率。本实施例摒弃了基于监督学习的模型(主成分分析、支持向量机、随机森林等)，而是通过引入深度学习中无监督算法克服获取心电图数据时的各种外界噪声的干扰。具体的，降噪自编码器(dae)算法会向输入的训练数据加入噪声，并使自编码器学会去除这种噪声来获得没有被噪声污染过的真实输入，这就迫使编码器学习提取最重要的特征并学习输入数据中更加鲁棒的表征，这也是它的泛化能力比一般编码器强的原因，目的是使特征很鲁棒。降噪自编码模型避免了一般的自编码模型可能会学习得到无编码功能的恒等函数和需要样本的个数大于样本的维数的限制，尝试通过最小化降噪重构误差，从含随机噪声的数据中重构真实的原始输入，这种方法可以有效的提高鲁棒性，使得最后的心电图波形预测结果更加准确。在心电图预测中加入深度学习中无监督算法，以自适应的设定阈值，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。本实施例中把深度学习方法导入心电图房颤预测领域，合理地结合心电图分类的特点，对深度学习方法进行训练，并用深度学习方法进行心电图波形的预测，能够大幅度提高心电图预测结果的正确率。克服了现有存在的房颤预测中对qrs峰获取不准确、心电图波形噪声太多干扰太大时导致房颤预测错误，无法满足实际的给医生提供辅助诊断信息的需要。优选的，上述线性数字滤波器包括：整数系数带通滤波器，近似于导数的滤波器，以及信息确定模块。其中，由低通和高通滤波器级联组成的整数系数带通滤波器用于滤除每导联对应的心电图节律信息中的噪声；导数滤波器用于对每导联对应的滤除噪声之后的心电图节律信息分别进行微分得到qrs复数斜率信息以及进行幅度平方处理后通过移动窗口积分器获得波形特征信息；信息确定单元基于每导联对应的qrs复数斜率信息和波形特征信息，确定得到该导联对应的r点位置以及各r点对应的心跳周期及其波形信息。抑制噪声是一个难点和重点，由于原始心电图数据的采样频率大且冗杂各种噪声很难用传统的方法处理，需要一种能对高频率原始信号和心电图波形进行学习的方法，才能达到很好的拟合学习效果，在本实施例中设定为由级联低通和高通滤波器组成的整数系数带通滤波器，这两者相连可以有效的抑制噪声。而进一步的，本实施例对每导联对应的心电图节律信息进行微分以提供qrs复数斜率信息并经过幅度平方处理(即信号逐点平方)后通过移动窗口积分器(目的是获得r波的斜率之外的波形特征信息)。基于qrs复数斜率信息和波形特征信息，能够准确找到原始心电图波形数据中每一个r点及其对应的完整的心跳周期。优选的，每个心跳周期的波形特征信息为包括pqrst波形在内的一个心跳的完整信息。优选的，每导联的原始心电图数据为八秒以上的原始心电图波形数据。八秒以上的原始心电图波形数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诊断要素如人体移动、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通过降噪自编码器进行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。优选的，降噪自编码器包括三层卷积神经网络。利用降噪自编码器和高斯过程回归对波形特征进行压缩和降维，其中使用卷积神经网络模型，并将其优化设定为三层卷积神经网络模型，更深层的卷积神经网络训容易对数据过拟合而更少层的网络容易欠拟合，本实施例的三层神经网络对于心电图波形预测具有最优的学习效果。其中，为了学习到较鲁棒的特征，可以在网络的可视层(即数据的输入层)引入随机噪声。优选的，三层卷积神经网络结构相同，均包括：三个卷积层，三个线性整流激活层和flatten层，以及全连接层；其中，第一层卷积层和第三层卷积层均有八个卷积核，第二层卷积层有十六个卷积核，每个卷积核的大小为五、步长为一。优选的，当前心跳周期的自适应阈值为：前一心跳周期的多维特征数据对应的多个均值的平均值与多个方差的平均值的线性组合。由于采集的数据是对被采集者进行24小时实时监测，因此为了防止被采集者自身活动而导致心电图的变化，这里采取自动调节阈值和参数以减小噪声，根据前几分钟的提取特征的均值和方差来自适应的设定阈值，当七维特征中有两个维度超过阈值时，即开始报警，认为该被采集者有出现房颤的可能性。为了验证所提出的基于深度学习的方法对于房颤预测的有效性，本实施例引入了mit-biharrhythmiadatabase(心律失常数据库)和来自发明人收集的多导联心电图数据集。数据集中包含48条充分标注的双导联ecg数据，每条数据时长为30分钟，采样频率为每通道每秒360采样点。这些片段是从1975～1979年间bih心律失常实验室的47名研究对象那里获得的。其中标注的数据是按每个心电图周期进行标记的，即说每个周期的p-qrs-t波形都进行了标准，同时提供了对应的label标签文件，标注的信息可以从label标签文件中找到对应的信息。标注的信息可以从label标签文件中找到对应的信息可以通过按图中的选择进行数据集的查看。来自发明人收集的多导联心电图数据是来12导联的ecg数据，采样频率为每通道每秒128采样点。基于以上数据处理，现进行说明具体实现细节。本实施例方案使用tensorflow作为实验的软件框架，且所有模型均使用adam进行训练。初始学习率为0.001，动量参数分别为0.5、0.999。基于以上数据对本实施例方案和现有模型均进行了分批训练。使用的降噪自编码(dae)模型如图2所示，由编码器和解码器构成。其中编码器和解码器的结构相同，由三个卷积层(conv1-conv3)，三个线性整流(relu)激活层，flatten层和全连接层组成，以卷积层、激活层、flatten层和全连接层的顺序排列。使用卷积神经网络建立原始信号和退化能量指标的映射关系，卷积神经网络的层数、卷积核个数、卷积核大小和卷积核的滑动步长等参数是经过反复实验，得到能使训练效果最优的参数，其中各卷积层的滤波器数量，核大小和步长可参见表1。解码器是由三个逆卷积层，三个线性整流(relu)激活层组成，以逆卷积层、激活层、flatten层和全连接层的顺序排列。其中各卷积层的滤波器数量，核大小和步长可参见表2。表1层滤波器核大小步长conv1851conv21651conv3851表2层滤波器核大小步长conv1851conv21651conv3851如图2所示，前半部分为编码器，编码器主要为降维和去噪，输入为前面标准化之后的心电图(ecg)数据，数据长度为70，利用平铺函数变成70*1*1的数据，经过第一卷积层(卷积核kernel大小为5*1，滤波器个数为8)和线性整流(relu)激活层得到大小为70*1*8的输出，再经过第二卷积层(卷积核kernel大小为5*1，滤波器个数为16)线性整流(relu)激活层得到大小为70*1*16的输出，再经过第三卷积层(卷积核kernel大小为5*1，滤波器个数为8)线性整流(relu)激活层得到大小为70*1*8的输出，再经过flatten层和全连接层得到7维输出。后半部分为解码器，解码器主要对输入进行重构，其结构去编码器结构完全相同，仅是卷积层转为反卷积层。根据上述参数训练之后，分别在测试集上进行测试。从图4中可看出，利用本实施例模型，可以通过去噪的结果和波形保留的结果可以直观的反映出数据重建的结果，发现重建数据与原始数据几乎完全相同并且非常平滑，由图5可以看出添加高斯噪声后测试数据及其重构图像也表现出优秀的性能，可发现本实施例的模型几乎可以消除高斯噪声的影响。最后通过自适应阈值来使算法适应一天内不同时期受试者心跳的变化，由图6可以看出，可以很好的拟合受试者心跳变化，并与阈值作比较。另外，为了更直观的了解本实施例方法在其他样本数据上的效果，随机选取了发明人收集数据的样本，这里选取了四位受试者的心电图波形数据，图7、图8、图9、图10分别显示了在这些数据上的预测结果，从结果图中可以直观的说明，预测结果和训练样本的数据分布有较高的相似性，即预测的结果可以很好的拟合训练样本，图7、图9预测结果高于训练样本，即训练样本低于阈值，图8、图10预测结果低于训练样本，即训练样本高于阈值，且样本划分明确清晰，所以本施例方法对于心电图波形的预测有很好的效果。综上，本实施例方法采用不同条件下(不同数据来源)的数据集，均表现出较好的预测效果与判断能力。实施例二一种基于深度学习的房颤预测设备，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现如上所述的任一种基于深度学习的房颤预测装置的具体功能。相关技术方案同实施例一，在此不再赘述。实施例三一种机器可读存储介质，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现如上所述的任一种基于深度学习的房颤预测装置的具体功能。相关技术方案同实施例一，在此不再赘述。本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。当前第1页12