[發(fā)明專利]一種基于深度殘差網(wǎng)絡(luò)的心電圖分類方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201910067775.3
• 申請日: 2019-01-24
• 公開（公告）號: CN109948647B
• 公開（公告）日: 2021-02-02
• 發(fā)明（設(shè)計）人: 錢步月;李曉宇;劉濤;陳思睿;李安;林佳亮;劉璇;呂欣;鄭慶華
• 申請（專利權(quán)）人: 西安交通大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責(zé)任公司 61200
• 代理人: 徐文權(quán)

本發(fā)明公開了一種基于深度殘差網(wǎng)絡(luò)的心電圖分類方法及系統(tǒng)，包括：采集標(biāo)注好的心電圖數(shù)據(jù)，獲得心電圖樣本數(shù)據(jù)、類別標(biāo)簽和關(guān)鍵波形標(biāo)簽；將三者以及它們之間的對應(yīng)關(guān)系整合為數(shù)據(jù)集；數(shù)據(jù)集包括訓(xùn)練集和驗證集；構(gòu)建基本的深度殘差網(wǎng)絡(luò)，在其主干網(wǎng)絡(luò)預(yù)設(shè)位置構(gòu)建用以重構(gòu)關(guān)鍵波形位置的分支；分支包括：卷積層和Sigmoid層；訓(xùn)練后，獲得訓(xùn)練好的具有分支的深度殘差網(wǎng)絡(luò)模型；通過訓(xùn)練好的模型對待分類檢測的心電圖數(shù)據(jù)進(jìn)行分類。本發(fā)明通過在深度殘差網(wǎng)絡(luò)中引入新的分支來檢測關(guān)鍵波形，使得模型能夠更關(guān)注于心電圖的關(guān)鍵波形，在可解釋性和性能上都得到提升，輸出給醫(yī)生的分類數(shù)據(jù)更具有參考價值。

技術(shù)領(lǐng)域

本發(fā)明屬于心電圖分類技術(shù)領(lǐng)域，特別涉及一種基于深度殘差網(wǎng)絡(luò)的心電圖分類方法及系統(tǒng)。

背景技術(shù)

在心電圖分類中，基于手工特征的傳統(tǒng)方法在實踐中需要心內(nèi)科專家的深度參與，特征的選擇嚴(yán)重依賴于專業(yè)的醫(yī)療知識，需要復(fù)雜繁瑣的微調(diào)。近年來，一系列端到端的深度學(xué)習(xí)模型在心電圖分類中越來越得到重視，隨著心電圖數(shù)據(jù)量的增長，從性能角度已經(jīng)達(dá)到了一般專家水平。但是這樣的模型并不能直接應(yīng)用，因為單純由數(shù)據(jù)驅(qū)動的深度學(xué)習(xí)模型有一個重大的問題：作為黑箱模型，難以對結(jié)果做出合理的解釋。另外，目前的基于深度殘差網(wǎng)絡(luò)的心電圖分類方法中，采用的深度殘差網(wǎng)絡(luò)缺乏醫(yī)學(xué)領(lǐng)域的先驗知識，在樣本量較少的情況下，其分類準(zhǔn)確性較低。

例如，文獻(xiàn)1提供了可參考的基于深度殘差網(wǎng)絡(luò)進(jìn)行心電圖分類的技術(shù)解決方案：

文獻(xiàn)1.Rajpurkar P,Hannun A Y,Haghpanahi M,et al.Cardiologist-LevelArrhythmia Detection with Convolutional Neural Networks[J].2017.文獻(xiàn)1中提出利用深度殘差網(wǎng)絡(luò)來解決心電圖的分類問題并宣稱達(dá)到了專家水平。該文獻(xiàn)作者收集了29163個病人的心電圖數(shù)據(jù)，包含14類心律不齊，為深度殘差網(wǎng)絡(luò)的訓(xùn)練提供了數(shù)據(jù)基礎(chǔ)。技術(shù)上基于何凱明提出的深度殘差網(wǎng)絡(luò)，針對數(shù)據(jù)集構(gòu)建了34層的殘差網(wǎng)絡(luò)。模型評估時除了在測試集中計算本模型的F1值，同時設(shè)置了一組心內(nèi)專家來判斷測試集的結(jié)果來計算心內(nèi)專家的F1值，發(fā)現(xiàn)模型性能已高于該組心內(nèi)專家。

但是文獻(xiàn)1所述方法在應(yīng)用中存在兩個重大的問題：一是作為單純由數(shù)據(jù)驅(qū)動的深度學(xué)習(xí)模型，模型學(xué)習(xí)到的判別模式和醫(yī)生判別模式不匹配，模型結(jié)果較難被醫(yī)生理解并加以利用；二是深度殘差網(wǎng)絡(luò)在數(shù)據(jù)量不充足時性能較差。而在實際應(yīng)用中，專家要求模型在可解釋性和性能上都達(dá)到應(yīng)用水平，這是文獻(xiàn)1中單純的深度殘差模型無法保證的。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于深度殘差網(wǎng)絡(luò)的心電圖分類方法及系統(tǒng)，以解決上述存在的技術(shù)問題。本發(fā)明通過在深度殘差網(wǎng)絡(luò)中引入新的分支來檢測關(guān)鍵波形，使得模型能夠更關(guān)注于心電圖的關(guān)鍵波形，在可解釋性和性能上都得到提升，輸出給醫(yī)生的分類數(shù)據(jù)更具有參考價值。

為達(dá)到上述目的，本發(fā)明采用以下技術(shù)方案：

一種基于深度殘差網(wǎng)絡(luò)的心電圖分類方法，包括以下步驟：

S1，樣本數(shù)據(jù)預(yù)處理：采集獲取預(yù)設(shè)數(shù)量的標(biāo)注好的心電圖數(shù)據(jù)，預(yù)處理后獲得作為模型訓(xùn)練輸入的心電圖樣本數(shù)據(jù)和類別標(biāo)簽；根據(jù)心電圖樣本數(shù)據(jù)提取關(guān)鍵波形位置獲取關(guān)鍵波形標(biāo)簽；將心電圖樣本數(shù)據(jù)、類別標(biāo)簽和關(guān)鍵波形標(biāo)簽以及它們之間的對應(yīng)關(guān)系整合為數(shù)據(jù)集；將數(shù)據(jù)集按照預(yù)設(shè)比例劃分為訓(xùn)練集和驗證集；

S2，構(gòu)建具有分支的深度殘差網(wǎng)絡(luò)模型：構(gòu)建基本的深度殘差網(wǎng)絡(luò)，在其主干網(wǎng)絡(luò)預(yù)設(shè)位置構(gòu)建用以重構(gòu)關(guān)鍵波形位置的分支；分支包括：卷積層和Sigmoid層；具有分支的深度殘差網(wǎng)絡(luò)模型的訓(xùn)練過程中，通過構(gòu)建的基本的深度殘差網(wǎng)絡(luò)計算出分類損失函數(shù)，通過構(gòu)建的分支計算出波形檢測的損失函數(shù)，根據(jù)計算出的分類損失函數(shù)和波形檢測的損失函數(shù)得出最終的損失函數(shù)；