基于三通道图像及迁移学习的心冲击图室颤辅助诊断系统

1.本发明属于医学仪器技术领域，具体涉及一种基于三通道图像及迁移学习的心冲击图室颤辅助诊断系统。


背景技术：

2.心源性猝死(scd)是全球范围内的主要公共卫生负担，而由于医疗条件限制，多数scd发生于院外。室颤是引发scd的首要原因，具有不确定性与高度危急性，一旦发作，心室排血量锐减，患者循环中断，若不及时加以干预便会在几分钟内造成猝死。电除颤是治疗室颤的唯一有效方法，其成功可能性与室颤发作时长成反比，每延迟一分钟则复苏成功率下降近10％，因此迫切需要一种非接触式实时监测心脏功能并精准识别室颤的方法。
3.目前，室颤的临床诊断以心电图为主。但心电图检测需要将电极附着于患者体表，长期使用会使患者感到不便与不适，因此并不适用于长期心脏监护。以上问题可以通过心冲击图(bcg) 这一无干扰的非接触式心脏监测技术解决。bcg通过集成于床垫、坐垫、靠背等日常环境中的传感器来捕获心脏收缩及射血时身体质心的移动，进而为用户提供循环系统的整体性能信息。当前对于bcg的心脏病检测算法研究多采用传统机器学习方法，通常需要提取信号的各种特征，而由于bcg易受检测设备、坐卧姿势以及外部振动干扰等影响，会使得其波形多样性增加，个体差异较大，从而使得基于特征工程的机器学习方法普适性不足。同时由于当前bcg缺乏较为完善的数据库，而卷积神经网络(cnn)等深度学习模型对输入数据集具有大批量需求，以便进行网络的充分训练及调试，因此并不适用于bcg这类小样本研究。综上，需要一种适用于bcg 日常心脏监护的室颤计算机辅助诊断方法，以满足心血管疾病家庭长期无束缚健康管理的需求。


技术实现要素：

4.本发明针对上述室颤检测算法需求以及现有bcg研究的技术不足，提供一种基于三通道图像及迁移学习的心冲击图(bcg)室颤辅助诊断系统，以解决由于bcg波形多样性和小样本量特性而导致的室颤识别困难问题。
5.本发明通过自定义单通道图像组合方式，将一维bcg信号转换为三通道图像，并以此为输入张量，将由大型图像库预训练得到的多个cnn模型迁移到bcg域进行学习，由各模型中间层提取特征值并拼接为一维特征向量，而后经全连接层或机器学习分类器等实现对室颤、窦性心律以及运动伪迹的判别。
6.本发明提供的基于三通道图像及迁移学习的bcg室颤辅助诊断系统，包括信号预处理模块、图像转换模块、特征提取模块、归一化处理模块以及分类器；其中：
7.所述信号预处理模块，用于对采集得到的bcg信号进行预处理。具体包括，选择母小波 daubechie 6分解原始bcg信号，去除高低频噪声成分，选取心跳相关频带部分(0.5-15hz)进行信号重建。
8.所述图像转换模块，用于将信号预处理模块得到的一维bcg信号转换为三通道二
维图像，以构建迁移学习输入张量。具体包括，首先获取三个单通道图像，包括但不限于时频图、格拉姆角场(gaf)以及自定义的自相关序列映射图(acm)。其中：
9.时频图获取方式为：通过短时傅里叶变换(stft)或连续小波变换(cwt)等获取时频系数矩阵，而后经过矩阵压缩变换来标准化矩阵大小，即可得到所需单通道时频灰度图；
10.gaf图获取方式为：将笛卡尔坐标系下的一维bcg信号，转换为极坐标系表示，再使用三角函数生成gaf矩阵，由此得到所需单通道灰度图；
11.acm图获取方式为：将一维bcg信号由长序列降维为短序列，计算短序列样本的自相关系数序列并绝对值化，参照张量大小，将自相关序列值归一化到相应范围内并整数化；而后以横轴表示时间维度，纵轴表示幅值维度，将上述处理后的自相关序列值映射为二维灰度图；
12.将上述三个单通道灰度图沿通道维度拼接，即可得到迁移学习所需的三维输入张量。
13.所述特征提取模块，以图像转换模块得到的三维张量为输入，应用迁移学习提取有效特征；具体包括，由计算机视觉标准数据集imagenet预训练vgg16、inceptionv3及resnet50三个经典cnn网络模型，将模型迁移到上述bcg转换所得的三维输入张量上；分别由各模型中间层抽取特征图，经变换及组合，得到一维特征向量。
14.所述归一化处理模块，用于对上述特征提取模块提取的特征向量，通过方差、互信息参数进行分析与清洗，并对特征作归一化处理，用作后续分类器输入。
15.所述分类器，采用全连接层，或者采用逻辑回归、支持向量机或随机森林等机器学习分类器。通过分层抽样将室颤、窦性心律、运动伪迹三类信号划分为训练集及测试集；通过训练集上的交叉验证及网格搜索法获取模型的最佳超参数；在此基础上，应用整个训练集再次训练模型，确定分类器模型的网络结构及参数；并通过测试集评估最终模型的泛化性能。
16.本发明中，所述三通道图像的构建，具体流程为：
17.(1)明确图像尺寸为(n,n)，n为大于139的自定义数值；
18.(2)将预处理后的一维bcg信号转换为acm图，具体方式为：
19.①
根据公式(1)，通过经典分段聚合近似(paa)算法将长序列数据段降维为短序列；所述长序列数据段以x表示，长度为l，短序列以x
paa
表示，长度为n；
20.②
计算短序列样本x
paa
的自相关系数序列，绝对值化后归一化至[0,n-1]范围内，并整数化，获得序列x
acf
；
[0021]
③
建立一个大小为(n,n)的全零矩阵a，针对自相关序列中每个样本点x
acf
[n]，n＝ 0
…
n-1，按照公式(2)更新矩阵a，将矩阵a的各数据作为单通道灰度图acm对应像素的灰度值，包含0、128、255三个层级；
[0022]
其中
[0023]
其中i＝x
acf
[n]，n＝0
…
n-1，(2)
[0024]
(3)将预处理后的一维bcg信号转换为gaf图，具体方式为：
[0025]
①
通过paa算法将长序列数据段降维为短序列，以x
paa
表示，长度为n；
[0026]
②
归一化x
paa
，将序列值压缩到[-1,1]范围内，以x
norm
表示；
[0027]
③
根据公式(3)所示关系，将直角坐标系下的时间序列值x
norm
转换为极坐标系(r,θ)表示，并求取极角θ；
[0028]
④
以m,n分别表示不同的时间点，如公式(4)所示，应用角度和的三角函数变换，获取本所需的gaf矩阵g，矩阵值映射到[0,255]范围内即可得到单通道灰度图；
[0029][0030]
g[m][n]＝cos(θ[m]+θ[n])，其中 m,n＝0
…
n-1，
ꢀꢀꢀ
(4)
[0031]
(4)将预处理后的一维bcg信号转换为时频图，具体方式为：通过stft或cwt求取时频系数矩阵，调整矩阵大小为(n,n)，将矩阵值映射到[0,255]范围内即得单通道灰度图；
[0032]
(5)按照一层acm图加一层gaf图加一层时频图的方式或其它自定义方式，将三个单通道图组合为一个(n,n,3)或(3,n,n)的三维图像，并将每一通道图像的灰度值归一化至[0,1] 范围内，作为后续迁移学习的特征提取模块的输入张量。
[0033]
本发明中，所述特征提取模块，应用迁移学习提取有效特征；具体流程为：
[0034]
(1)构建三种经典cnn网络模型：vgg16、inceptionv3及resnet50，通过计算机视觉标准数据集imagenet进行模型的预训练与调优；
[0035]
(2)冻结上述模型参数，以自定义三通道图像作归一化后所得三维张量作为网络输入，进行迁移学习；由各模型中间层抽取特征图，经过全局平均池化以及拼接得到一维特征向量。
[0036]
本发明中，所述特征清洗以过滤式思路展开，首先以10-8
为阈值，去除低方差特征；而后根据互信息值，去除10％的低质量特征。将保留下的每一特征均归一化到[0,1]范围内，作为后续分类器输入。
[0037]
本发明中，所述分类器，以提取出的特征为输入，对信号进行室颤、窦性心律及运动伪迹的判别。分类器可以由全连接层或机器学习分类器构建，其中全连接层选用softmax激活函数作输出层，采用adam算法进行模型优化，并以交叉熵损失函数评估优劣；机器学习分类器则包含逻辑回归、支持向量机或随机森林。
[0038]
本发明的有益效果是提供了一个基于三通道图像及迁移学习的bcg室颤辅助诊断系统，可以应用无感采集的bcg来辅助识别室颤发作，通过巧妙地转换将bcg由一维映射为三维张量，利用开源图像库的丰富性与计算机视觉相关深度学习研究的成熟度，将由imagenet数据集预训练所得的经典模型迁移到小批量样本的bcg实测数据中，进行室颤与非室颤的判别。本发明提供的算法所需再训练参数较少，模型鲁棒性较强，诊断准确度较好，具有良好的实用性，为家庭心血管疾病健康长期监护提供可行思路。
附图说明
[0039]
图1为本发明实施例的系统框图。
[0040]
图2为本发明实施例的实测室颤bcg信号及其转换所得单通道灰度图。图中(a)、(b)、(c)、(d)分别为一维室颤bcg信号及acm、gaf、stft灰度图。
[0041]
图3为本发明实施例的实测窦性心律bcg信号及其转换所得单通道灰度图。图中
(a)、(b)、 (c)、(d)分别为一维窦律bcg信号及acm、gaf、stft灰度图。
[0042]
图4为本发明实施例的实测运动伪迹bcg信号及其转换所得单通道灰度图。图中(a)、(b)、 (c)、(d)分别为一维运动伪迹bcg信号及acm、gaf、stft灰度图。
[0043]
图5为本发明实施例的迁移学习的特征提取模块结构图。
具体实施方式
[0044]
下面结合附图，对本发明的具体实施例作进一步描述。以下实施例用于说明本发明，但不用来限制本发明的权利范围。
[0045]
本实施例中，一种基于自定义三通道图像及迁移学习的bcg室颤辅助诊断系统，如图1所示，包含以下步骤：
[0046]
步骤1：信号预处理模块对信号进行预处理，获取纯净bcg信号。
[0047]
步骤1.1：人工提取bcg信号中的运动伪迹信号；
[0048]
步骤1.2：应用小波变换来进行噪声滤除。使用母小波daubechie 6将原始bcg信号分解为七层，得到七个细节分量(d1-d7)，将包含心跳相关频带的细节分量d3-d6进行重组得到滤波后bcg信号；
[0049]
步骤1.3：将信号分割为7秒长度的数据段。
[0050]
步骤2：图像转换模块对图像进行转换，图像大小均为(256,256)。
[0051]
步骤2.1：将预处理后的一维bcg信号转换为acm图，具体方式为：
[0052]
①
根据公式(1)，通过paa算法将长序列数据段(以x表示，长度为l)降维为短序列，以x
paa
表示，长度为n＝256；
[0053]
②
计算短序列样本x
paa
的自相关系数序列，绝对值化后归一化至[0,255]范围内，并整数化，获得序列x
acf
；
[0054]
③
建立一个大小为(256,256)的全零矩阵a，针对自相关序列中每个样本点x
acf
[n]，n＝ 0
…
n-1，按照公式(2)更新矩阵a。将矩阵a的各数据作为单通道灰度图acm对应像素的灰度值，如图2到图4中子图(b)所示；
[0055]
其中
[0056]
其中i＝x
acf
[n]，n＝0
…
255，(2)
[0057]
步骤2.2：将预处理后的一维bcg信号转换为gaf图，具体方式为：
[0058]
①
通过paa算法将长序列数据段降维为短序列，以x
paa
表示，长度为256；
[0059]
②
归一化x
paa
，将时间序列值压缩到[-1,1]范围内，以x
norm
表示；
[0060]
③
根据公式(3)所示关系，将直角坐标系下的序列值x
norm
转换为极坐标系(r,θ)表示，并求取极角θ；
[0061]
④
以m,n分别表示不同的时间点，如公式(4)所示，应用角度和的三角函数变换，获取本实施例所需的gaf矩阵g，矩阵值映射到[0,255]范围内，即可得到单通道灰度图，如图2到图4中子图(c)所示；
[0062]
[0063]
g[m][n]＝cos(θ[m]+θ[n])，其中m,n＝0
…
255，
ꢀꢀꢀ
(4)
[0064]
步骤2.3：将预处理后的一维bcg信号转换为单通道时频(stft)图。采用短时傅里叶变换，变换选用hann窗，窗长设置为2秒，偏移长度设为0.04秒。调整时频系数矩阵的形状为 (256,256)，将矩阵值映射到[0,255]范围内即可得所需单通道灰度图，如图2到图4中子图(d) 所示；
[0065]
步骤2.4：按照一层acm图加一层gaf图加一层stft图的方式，将三个单通道图组合为一个(256,256,3)的三维图像，并将每一通道图像的灰度值归一化至[0,1]范围内，作为后续迁移学习的输入张量。
[0066]
步骤3：由特征提取模块通过迁移学习，构建特征向量。
[0067]
步骤3.1：构建三种经典cnn网络模型：vgg16、inceptionv3及resnet50，通过计算机视觉标准数据集imagenet进行模型的预训练与调优；迁移学习的特征提取模块结构如图5所示，图中fc，bn，relu，conv2d，maxpooling2d，globalaveragepooling2d，zeropadding2d 分别表示全连接层，批量归一化，relu激活层，二维卷积层，二维最大池化层，二维全局平均池化层以及二维零填充层；vgg_block，inception_block，res_block分别表示三个cnn模型的功能块，内部构造各不相同，由于以上均为经典模型，在此不展开更细致的说明。
[0068]
步骤3.2：冻结上述模型参数，以步骤2.4获取的三维张量作为网络输入，进行迁移学习。由各模型中间层抽取特征图，经过全局平均池化以及拼接得到长度为1056的一维特征向量。
[0069]
步骤4：由归一化处理模块对特征进行清洗和归一化。
[0070]
采用过滤式思路进行特征清洗。首先以10-8
为阈值，去除低方差特征；而后根据互信息值，去除10％的低质量特征。将保留下的每一特征均归一化到[0,1]范围内；
[0071]
步骤5：由分类器进行分类、判别；
[0072]
步骤5.1：由一层全连接层来构建分类器，并选用softmax激活函数作输出层；模型采用 adam算法进行优化，并以交叉熵损失函数评估优劣；
[0073]
步骤5.2：由步骤4所得的特征向量集构成分类器的输入，输出则是判别该样本为室颤或窦性心律或运动伪迹的结果。
[0074]
以上为本发明的较佳实施例，但本发明的保护范围并不仅局限于此实例，任何熟悉该领域的技术人员在本发明揭露的技术范围内，通过简单的更换和代替所做出的其他实例，都应涵盖在本发明的保护范围之内。本发明的保护范围以权利要求书所界定的保护范围为准。