心电图分类方法及系统的制作方法
【技术领域】
[0001] 本发明涉及一种心电图分类方法及系统。
【背景技术】
[0002] 心电图是记录人体心脏电活动的可视时间序列，已经在临床上广泛用于心脏相关 疾病检查，并且形成了比较完善的心电图判断标准。近几年，由于远程监护的兴起，心电图 分析正在向院外、亚健康人群和长时间监护发展，这使得医生工作量大增，也使得对自动化 诊断的需求越来越迫切。
[0003] 用于临床诊断的心电图一般是12导联，每个导联通常采集IOs的心电图记录数 据，包含12~18次搏动。现有的心电图分类方法主要针对MIT-BIH两导联的心电数据(不 符合临床诊断要求);需要提取R波以对心电图记录进行分割，从而获得单个心拍；还需要准 确提取各种波形幅值、形态等关键特征。
[0004] 真实的临床数据非常复杂，如噪声干扰、QRS波群不明显、导联脱落都是极其常见 的，再加上不同人的生理差异还会导致心电数据的多样性。现有的特征提取方法很难准确 分类，即使是目前研究最成熟的R波提取方法，用临床实际数据进行测试，准确率还是会有 所下降；至于P波、T波等提取方法在MIT-BIH上的准确率都很低，更不可能用于临床应用。
【发明内容】
[0005] 有鉴于此，有必要提供一种心电图分类方法及系统。
[0006] 本发明提供一种心电图分类方法，该方法包括如下步骤：a.对原始心电图波形进 行滤波及下采样；b.对滤波及下采样后的心电数据进行平移起始点操作；c.采用导联卷积 神经网络对所述心电数据进行识别与分类。
[0007] 其中，所述b步骤与所述c步骤之间包括：在训练阶段对平移起始点后的心电数据 进行加噪处理的步骤。
[0008] 所述步骤a仅保留II、III、Vl、V2、V3、V4、V5、V68个基本导联的心电数据。
[0009] 所述的加噪处理为对所述心电数据叠加包含低频噪声、高频噪声及白噪声的随机 噪声。
[0010] 所述的导联卷积神经网络的结构包括：导联、用于汇总所有导联的信息的全连接 层、用于进行识别与分类的SLR层，其中，每个所述导联包括三个不同的卷积单元Ai、Bi、Ci (I<i< 8)，每个卷积单元包括多个卷积层和取样层。
[0011] 本发明还提供一种心电图分类系统，包括相互电性连接的预处理模块、平移模块 及分类模块，其中：所述预处理模块用于对原始心电图波形进行滤波及下采样；所述平移 模块用于对滤波及下采样后的心电数据进行平移起始点操作；所述分类模块用于通过导联 卷积神经网络对所述心电数据进行识别与分类。
[0012] 其中，该系统还包括加噪模块，用于在训练阶段对平移起始点后的心电数据进行 加噪处理。
[0013] 所述预处理模块仅保留II、III、VI、V2、V3、V4、V5、V68个基本导联的心电数据。
[0014] 所述的加噪处理为对所述心电数据叠加包含低频噪声、高频噪声及白噪声的随机 噪声。
[0015] 所述的导联卷积神经网络的结构包括：导联、用于汇总所有导联的信息的全连接 层、用于进行识别与分类的SLR层，其中，每个所述导联包括三个不同的卷积单元Ai、Bi、Ci (I<i< 8)，每个卷积单元包括多个卷积层和取样层。
[0016] 本发明心电图分类方法及系统，能够实现心电图的自动分类。本发明提高了分类 的准确率：通过真实临床环境(没经过任何挑选，部分导联脱落，QRS波群不明显均存在的 情况）的测试，准确率为83. 66% ;此外，本发明省去了特征提取过程：一般来说都是先提取 一些关键特征，包括医学特征和数理特征，然后基于特征对心电图进行识别与分类，而本发 明不需要提取任何特征，包括R波，从而减少中间环节对最终分类性能的影响。
【附图说明】
[0017] 图1为本发明心电图分类方法的流程图；
[0018] 图2为本发明实施例正弦波散点图；
[0019] 图3为本发明心电图分类系统的硬件架构图。
【具体实施方式】
[0020] 下面结合附图及具体实施例对本发明作进一步详细的说明。
[0021] 参阅图1所示，是本发明心电图分类方法较佳实施例的作业流程图。
[0022] 步骤S401，对原始心电图波形进行滤波及下采样。具体而言，首先进行滤波，并下 采样为feqHz，接着跳过开始skipN个点，取中间连续Nl个点的数据作为输入数据，且仅 保留8个基本导联的心电数据，即II、III、V1、V2、V3、V4、V5、V6导联。在本实施例中，feq 取 200,skipN取 25,NI取 1900。
[0023] 步骤S402，对滤波及下采样后的心电数据进行平移起始点操作。具体而言，在维数 为8XN1的心电数据中选取起始点位置，取值区间为[1，offset]。在训练阶段，随机选取 起始点，但必须保证每个导联的起始点相同；而在测试阶段，起始点均为1，然后从起始点 开始，选取连续N2=Nl_offset个点作为步骤S404的输入数据。在本实施例中，offset取 200,则N2 为 1700。
[0024] 步骤S403,在训练阶段对平移起始点后的心电数据进行加噪处理，在测试以及实 际分类时，则跳过本步骤。具体步骤如下：
[0025] 训练阶段，将维数为8XN2的心电数据进行加噪处理，对所述心电数据叠加随机 噪声。所述叠加的随机噪声包含幅度为〇~Al的0~HHz(本实施例中Al为0.lmV，H 为0. 2)低频噪声，幅度为0~A2的f2~f3Hz(本实施例中A2为0. 15mV，f2为45,f3为 90)高频噪声以及幅度为0~A3 (本实施例中A3为0.ImV)的白噪声。
[0026] 步骤S404,导联卷积神经网络（LeadConvolutionalNeuralNetwork，LCNN)对所 述心电数据进行识别与分类。
[0027] 具体而言，由LCNN进行维数为8XN2的心电数据识别与分类。LCNN的具体结构 (请参阅图2)为：每个导联均包括三个不同的卷积单元Ai、Bi、Ci(I<i< 8)，不同导 联的卷积单元互不相干，共有24个卷积单元；每个卷积单元包括多个卷积层和取样层；不 同导联的三个卷积核结构（[F1，1，1，C1]，[F2，F1，1，C2]，[F3，F2, 1，C3])、三个取样核结构 ([1，M1]，[1，M2]，[1，M3])、三个特征面数（F1，F2，F3)可相同，也可不同；最后由全连接层 汇总所有导联的信息，交由SLR层进行识别与分类。所述SLR层是多层感知器逻辑回归层 (LR层）的特例，仅限于二分类问题；对于多分类问题，可采用LR层。本实施例为正异常分 类，采用SLR层。图2中ID-Cov表示1维卷积计算。
[0028]LCNN具体计算过程为：假设输入样本为X= [xl，x2,…，x8]，其中xi(1彡i彡8)为 第i通道的数据，则：
[0029]
[0030] 其中，gD是全连接层计算函数，&是51^层