[發明專利]一種基于遷移學習和置信度選擇的心電異常信號識別方法及裝置

有效

• 申請號: 202010096524.0
• 申請日: 2020-02-17
• 公開（公告）號: CN111134662B
• 公開（公告）日: 2021-04-16
• 發明（設計）人: 劉娟;李宇翔;馮晶;劉思璇
• 申請（專利權）人: 武漢大學
• 主分類號: A61B5/318
• 分類號: A61B5/318;A61B5/00;A61B5/347;A61B5/349;A61B5/366;A61B5/353;A61B5/355
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 羅飛

本發明公開了一種基于遷移學習和置信度選擇的心電異常信號識別方法，方法包括如下步驟：S1、對大量短時心電數據進行去噪處理；S2、搭建CNN模型，并隨機初始化CNN模型中的參數；S3、使用大量的短時心電數據集訓練CNN；S4、對少量的長時間心電數據進行切割，使得長度與網絡輸入適配；S5、使用切割后的短時數據進行遷移訓練，每輪訓練選擇包中置信度最高的k個短時數據作為輸入，S6、實現心電異常信號識別的功能。本發明使用基于遷移學習和置信度選擇的心電異常信號識別方法，通過對卷積神經網絡的預訓練來獲取信息，再使用遷移學習和置信度選擇的方式提升模型在心電異常識別分類的準確率，可以輔助給醫生提供參考，降低誤診、漏診率，減輕醫生的工作量。

技術領域

本發明涉及心電信號識別分類技術領域，具體涉及一種基于遷移學習和置信度選擇的心電異常信號識別方法及裝置。

背景技術

心血管疾病(cardiovascular disease，簡稱CVD)指的是與心臟或血管的相關的一系列的疾病，又稱為循環系統疾病。以下是幾個世界衛生組織統計的幾個重要事實：心血管疾病仍然是全球的頭號死因，在所有死亡狀況中，每年死于心血管疾病的人數超過任何其它死亡原因。在2016年一年內，估計有1790萬人死于心血管疾病，占全球死亡總數的31％左右，其中，又有85％左右死于心臟病和中風。于心電疾病的診斷，心電圖(Electrocardiogram、ECG或者EKG)是一種經胸腔的以時間為單位記錄心臟的電生理活動、通過安置在皮膚上的電極捕捉其電信號并繪制成線記錄下來的診療技術。作為一種無創性的記錄方式，心電圖的應用最為廣泛與權威。

近年來，隨著模糊識別、人工智能、神經網絡等技術水平的提高。隨著大數據與人工智能的發展，近年來基于心電圖信號數據設計的心電自動診斷算法和系統的研究已經很多，但是大部分成果仍然停留在實驗階段，距離真正投入商用仍然有較大一段路需要走。即使是投入商用的部分，由于精度不足，疾病判別不夠具體等缺點，對醫生們的幫助十分有限。

本申請發明人在實施本發明的過程中，發現現有技術的方法，至少存在如下技術問題：

12導聯心電圖的PDF目前是醫院或醫生最容易獲得的數據。數據量較大，且長度相對較短(12導聯心電圖的PDF為短時導聯數據)，輸入神經網絡模型后可以快速得到診斷結果。但是部分長時間導聯的數據，由于采集困難，導致整體樣本量較少，難以直接用來訓練模型，且大部分數據只有全局標注，在進行樣本切分輸入進模型時可能出現標簽不準確的情況，導致模型整體性能較差。

發明內容

有鑒于此，本發明提供了一種基于遷移學習和置信度選擇的心電異常信號識別方法及裝置，用以解決或者至少部分解決現有技術中的方法存在的識別結果不準確的技術問題。

為了解決上述技術問題，本發明第一方面提供了一種基于遷移學習和置信度選擇的心電異常信號識別方法，包括：

S1：獲取第一數量的短時心電數據，對獲取的第一數量的短時心電數據進行去噪處理；

S2：搭建CNN模型，并隨機初始化CNN模型中的參數；

S3：將去噪處理后的第一數量的短時心電數據作為訓練數據集，定義損失函數并采用預設算法對CNN模型進行訓練，得到原始分類模型；

S4：獲取第二數量的長時間心電數據，將獲取的第二數量的長時間心電數據作為訓練樣本，對訓練樣本進行切割，切割后的訓練樣本中包括多個短時心電數據，其中，第二數量遠小于第一數量；

S5：根據原始分類模型確定切割后的樣本中每個短時心電數據的異常置信度，根據異常置信度選取出目標短時數據對初始分類模型進行遷移訓練，獲得目標分類模型；

S6：利用目標分類模型對待識別的心電數據進行識別。

在一種實施方式中，S1中獲取的第一數量的短時心電數據進行去噪處理，包括：采用集成經驗模態分解算法和小波軟閾值相結合的方法進行去噪處理。