[發明專利]基于殘差網絡的12導聯ECG心律失常檢測分類模型構建方法

在審

• 申請號: 202110096808.4
• 申請日: 2021-01-25
• 公開（公告）號: CN112906748A
• 公開（公告）日: 2021-06-04
• 發明（設計）人: 劉華鋒;冉翱
• 申請（專利權）人: 浙江大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G16H50/70;A61B5/346
• 代理公司: 杭州天勤知識產權代理有限公司 33224
• 代理人: 王琛

本發明公開了一種基于殘差網絡的12導聯ECG心律失常檢測分類模型構建方法，將深度學習的思想引入心律失常疾病類型地檢測分類中，在訓練階段將采集到的12導聯ECG數據經過處理后作為輸入，每條12導聯ECG數據所對應的心律失常類型作為標簽訓練殘差網絡，利用了殘差網絡對輸入數據進行充分的特征提取，然后利用SENet對不同通道之間的聯系進行特征融合，再利用3層全連接層進行24種心律失常類型的分類，最終構建成為本網絡模型。本發明網絡模型從數據驅動的角度實現了對24種常見心律失常類型預測，有效地解決了人工檢測識別心律失常類型非常耗時且依賴醫護人員臨床經驗的問題。

技術領域

本發明屬于心電生理檢測分析技術領域，具體涉及一種基于殘差網絡的12導聯ECG心律失常檢測分類模型構建方法。

背景技術

根據世界衛生組織報道，從全球的統計數據來看，心臟疾病是主要的死亡原因，每年因心臟問題造成的死亡人數超過任何其他死亡原因。心臟異常是一種常見的循環系統疾病，包括房顫、早搏和其他的心律失常，這些癥狀通常通過無創心電圖(electrocardiogram，ECG)在臨床上進行檢查和分類，而其中12導聯心電圖是診斷心律失常的黃金標準，它可以更迅速準確地發現心律失常。本發明研究的重點是通過12導聯動態心電圖檢查收集和分析的大量數據，使自動心電圖分類算法既準確又快速；對于心律失常分類問題，我們采用深度學習的方法來讓網絡模型自動學習隱藏在12導聯心電圖中的信息。

深度學習是機器學習研究中的一個新的領域，其動機在于建立、模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據，例如圖像、聲音和文本。深度學習的概念源于人工神經網絡的研究，含多隱層的多層感知器就是一種深度學習結構；深度學習通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發現數據的分布式特征表示，它的基本特點是試圖模仿大腦的神經元之間傳遞、處理信息的模式，最顯著的應用是計算機視覺和自然語言處理領域。顯然，深度學習是與機器學習中的神經網絡是強相關，神經網絡也是其主要的算法和手段，或者可以將深度學習稱之為改良版的神經網絡算法，其主要的思想就是模擬人的神經元，每個神經元接受到信息，處理完后傳遞給與之相鄰的所有神經元即可。

文獻[Awni Y,Hannun,Pranav,et al.Cardiologist-level arrhythmiadetection and classification in ambulatory electrocardiograms using a deepneural network.[J].Nature medicine,2019]提出了一種深度神經網絡(DNN)，利用單導聯動態心電圖數據來對心律失常進行分類，獲得了與心臟病專家類似的結果，但只能識別包括噪聲在內的12種心律失常類型。文獻[Xiong Z,Stiles M K,Zhao J.Robust ECGsignal classification for detection of atrial fibrillation using a novelneural network[C]//2017Computing in Cardiology(CinC).IEEE,2018]采用一維卷積的方式對心律失常進行分類，但是只能識別正常、房顫、噪聲以及其他共四種類別，并且總體準確率只有82％。

綜上所述，現有技術主要存在以下問題：

①人工解釋心電圖、對心律異常的初步診斷會耗費較多時間，并且依賴于需要經驗豐富的醫護人員；

②多數算法訓練的都是單一、小型或相對同質化的數據集，缺少普適意義；

③多數算法模型可識別心律失常類型較少，常見的包括2種、4種、6種等。

發明內容

鑒于上述，本發明提供了一種基于殘差網絡的12導聯ECG心律失常檢測分類模型構建方法，該模型能夠在得到病人的12導聯體表電位數據的情況下，很好地檢測分類病人所屬的心律失常疾病類型。

一種基于殘差網絡的12導聯ECG心律失常檢測分類模型構建方法，包括如下步驟：