一种不同室早心电信号分类方法、系统及电子设备

本发明涉及心电信号分类，尤其是指一种不同室早心电信号分类方法、系统及电子设备。

背景技术：

1、心电图(ecg)记录了被检测到的心肌细胞活动产生的电流，用一维信号来表示心脏活动产生电信号变化的情况。在正常心电周期中，一个典型的心电图主要是由p波、q波、r波、s波和t波构成，以及在某些导联中可能会出现的u波，其中p波和qrs复合波群分别对应心房的去极化和心室的去极化过程，t波对应心室的复极化过程，具体的一个心电周期的波形如图1所示。

2、早搏是最常见的心律失常之一，主要症状表现为心慌、胸闷、头晕等。室性早搏(简称室早)是危害性较高并且较为常见的早搏，室早具有形态多变的特点，根据不同的形态，可以辅助诊断心脏是否存在器质性病变，如果一个病人同一心电导联中出现了多种形态的室早，则称为存在多源性或者多形性室早，属于危害性较大的情况。目前临床上通常使用长时程心电图进行早搏诊断，然而由于长时程心电图记录时间跨度久，医生在审阅过程中不仅易疲劳，还容易遗漏部分室早。因此需要一种技术将同形态的室早归类，从而能批量分析相似室早。由于对室早心电信号形态进行标注较为耗时且困难，而常用的分类算法需要大量已标注的数据进行训练，因此不适用于室早心电信号形态划分。聚类技术是一种通过某种相似性度量将数据分类为簇的无监督手段，不需要标注数据进行训练就能划分数据，聚类使得数据簇内的对象具有很高的相似性，同时与其他簇中的对象很不相似。

3、近年来，聚类技术不断改进及创新，基于深度学习聚类方法(深度聚类)在图像和视频领域得到了很大的发展。也逐渐有学者将深度聚类方法应用到心电信号中，但是大多局限于针对不同疾病的心电波形不同进行聚类分析，目前缺乏针对室早形态聚类的研究，因此研究一种针对室早心电信号形态聚类方法具有重要的价值和意义。

4、现有技术中，有文献将心电数据使用连续小波变换(cwt)转换为二维的时间频域表达数据，然后应用深度嵌入聚类将二维数据映射到低维潜在空间进行聚类。该方法的缺点在于将一维的心电数据转化为二维数据需要额外的计算量，同时二维数据会占用更多的计算资源；其次，该方法针对于心律失常疾病的分类，其关注点在于不同疾病心电波形的区别，而非室早形态的区别；最后，该方法只适用于均匀分布的簇，并且需要预先知道簇数。

5、现有技术中，也有文献将ecg数据假设为vmf分布，使用基于长短期记忆模型的变分自编码器(vae)将心电数据降维，通过基于vmf的非参数隐马尔科夫模型对降维后的数据进行聚类。该方法使用了变分自编码器对数据进行降维，这是一种生成式的方法，缺点是需要预先假设待聚类数据的分布，如果假设的分布错误将无法成功聚类；同时该方法也需要预先知道簇数。

6、现有技术中，还有文献是一种应用于图像数据的凝聚聚类技术，该技术首先使用凝聚聚类技术初始化簇标签，然后使用簇标签计算三元组损失训练卷积神经网络，对数据进行降维，通过交替运行凝聚聚类和训练卷积神经网络，最终获得聚类结果。该方法首先是针对图像数据的方法，不适用于心电信号，其次该方法在训练卷积神经网络时不稳定，原数据的局部结构容易被破坏。

7、不难发现，现有技术的缺点包括：(1)现有应用于心电波形聚类的方法大多关注疾病之间的波形聚类，缺少专门针对室早这一类疾病中形态的聚类；(2)现有心电波形聚类方式需要预先知道数据的簇数，或者需要假设数据分布；(3)现有的基于凝聚聚类的深度聚类方法局限于图像数据，并且不稳定。

技术实现思路

1、为此，本发明所要解决的技术问题在于克服现有技术中对于不同室早心电信号分类方法复杂(需要预先知道数据的簇数或分布)，并克服现有神经网络方法不稳定的问题。

2、为解决上述技术问题，本发明提供了一种不同室早心电信号分类方法，包括：

3、步骤s1：将获取的心电信号数据集x输入训练好的u-net模型，得到嵌入表达数据集z；

4、步骤s2：将所述嵌入表达数据集z中的样本按簇分类，得到聚类分配y；

5、步骤s3：判断所述聚类分配y中的簇数是否高于预设簇数，若高于预设簇数，则将所述聚类分配y作为伪标签，以及所述心电信号数据集x同时输入训练好的u-net模型，实现对训练好的u-net模型进行重新训练，并得到新的嵌入表达数据集znew，再重复所述步骤s2直至聚类分配y中的簇数低于预设簇数；若低于预设簇数，则输出低于预设簇数的聚类分配y；

6、步骤s4：根据所述低于预设簇数的聚类分配y得到不同室早心电信号的分类。

7、在本发明的一个实施例中，所述u-net模型包括编码子网络和解码子网络；

8、所述编码子网络包括依次连接的第一卷积模块、第一se模块、第一下采样模块、第二卷积模块、第二se模块、第二下采样模块、第三卷积模块、第三se模块、降维模块和l2归一化层；

9、所述解码子网络包括依次连接的升维模块、第四卷积模块、第一上采样模块、第五卷积模块、第六卷积模块、第二上采样模块、第七卷积模块、第八卷积模块和第一逐点卷积层；

10、所述降维模块的输出还与升维模块的输入连接；

11、其中，所述第一se模块的输出还与第七卷积模块的输出进行拼接，再将拼接后的结果输入第八卷积模块；所述第二se模块的输出还与第五卷积模块的输出进行拼接，再将拼接后的结果输入第六卷积模块。

12、在本发明的一个实施例中，所述第一卷积模块至第八卷积模块均包括依次连接的一维卷积层、bn层和leakyrelu层。

13、在本发明的一个实施例中，所述降维模块包括依次连接的第二逐点卷积层和第一全连接层。

14、在本发明的一个实施例中，所述升维模块包括依次连接的第二全连接层和第三逐点卷积层。

15、在本发明的一个实施例中，所述第一se模块、第二se模块和第三se模块均包括依次连接的平均池化层、第三全连接层、relu层、第四全连接层、sigmod层和缩放层，所述平均池化层的输入还与缩放层的输出进行相乘操作。

16、在本发明的一个实施例中，所述第一下采样模块和第二下采样模块采用最大池化操作；所述第一上采样模块和第二上采样模块采用线性差值操作。

17、为解决上述技术问题，本发明提供了一种不同室早心电信号分类系统，包括：

18、数据构建模块：用于将获取的心电信号数据集x输入训练好的u-net模型，得到嵌入表达数据集z；

19、簇分类模块：用于将所述嵌入表达数据集z中的样本按簇分类，得到聚类分配y；

20、判断模块：用于判断所述聚类分配y中的簇数是否高于预设簇数，若高于预设簇数，则将所述聚类分配y作为伪标签，以及所述心电信号数据集x同时输入训练好的u-net模型，实现对训练好的u-net模型进行重新训练，并得到新的嵌入表达数据集znew，再重复所述簇分类模块的过程直至聚类分配y中的簇数低于预设簇数；若低于预设簇数，则输出低于预设簇数的聚类分配y；

21、分类模块：用于根据所述低于预设簇数的聚类分配y得到不同室早心电信号的分类。

22、为解决上述技术问题，本发明提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现如上述不同室早心电信号分类方法的步骤。

23、为解决上述技术问题，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时，实现如上述不同室早心电信号分类方法的步骤。

24、本发明的上述技术方案相比现有技术具有以下优点：

25、本发明通过凝聚聚类算法和u-net模型对嵌入表达数据集z进行交替优化，能够将相同室早心电信号进行聚类，也即能够对不同室早心电信号进行分类；

26、本发明对u-net模型进行了改进，包括：第一，在u-net模型中增加了se模块(通道注意力模块)，使用se模块能够强调对结果更为有益的通道；第二，对卷积模块中的卷积层进行改进(将二维变为一维，使用大卷积核)，使得改进后的卷积模块能够有效加快网络的收敛速度；第三，增加了降维模块，其能够将为样本提供聚类分配的嵌入层空间；第四，增加了l2归一化层，其能够增强u-net模型的稳定性；

27、实验证明，本发明在室早形态聚类上取得了不俗的效果，解决了临床中缺乏自动分析室早心电信号形态的问题，本发明可以在较短的时间内将室早按形态划分，并且可以不必事先对数据作假设，效率较高；

28、本发明不仅使临床医生可以快速批量分析室早心电信号，还可以为室早心电信号的数据标注提供帮助。