[發明專利]一種針對含有噪聲標簽的心電圖智能分析方法及心電儀

有效

• 申請號: 202111366375.6
• 申請日: 2021-11-18
• 公開（公告）號: CN114190950B
• 公開（公告）日: 2023-07-28
• 發明（設計）人: 劉昕雯;王歡;李宗瑾
• 申請（專利權）人: 電子科技大學
• 主分類號: A61B5/318
• 分類號: A61B5/318;A61B5/00;G06N3/0464;G06N3/08
• 代理公司: 西安智萃知識產權代理有限公司 61221
• 代理人: 張蓓

本發明提供了一種針對含有噪聲標簽的心電圖智能分析方法及心電儀，首先搭建一個輕量級卷積神經網絡作為分類任務的基礎，并將含有噪聲標簽的心電數據集輸入，并進行基礎的數據學習訓練，訓練后保存模型。由于網絡特性，卷積神經網絡很容易與錯誤標記的訓練數據過擬合，導致明顯的性能下降。本發明提出一種基于數據清理與抗噪聲標簽損失函數構建的分類算法，能有效緩解噪聲標簽帶來的心電診斷準確率下降問題，在10％到50％的噪聲程度都可以達到明顯的效果。除此之外，它的計算量較小，可以適用于各種心電儀。

技術領域

本發明涉及醫療器械技術領域，特別地涉及一種針對含有噪聲標簽的心電圖智能分析方法及心電儀。

背景技術

國家心血管病中心發布的《中國心血管病報告2018》顯示，我國心血管病(CVD)患病率處于持續上升趨勢，推算CVD患病人數達2.9億。近年來，心血管病死亡率仍居首位，高于其他疾病。心律失常是心血管系統的常見病，多發病，嚴重危害人體的健康。心電圖是診斷心律失常最簡便、有效、廉價且應用最廣泛的傳統方法。

心電信號能直觀的反應出心臟的心跳節拍變化和各部位的活動情況，分析心電信號是及時發現心血管疾病的直接而有效的途徑，所以對心電的研究和探索一直以來都是很重要的課題。由于常規的心電監護設備價格昂貴，一般只有醫院才會有，所以大部分人的心電監測均是在醫院進行簡單的進行幾分鐘的心態圖檢測，而且患者一般只有在發病或者體檢的時候才會檢測，因此這樣無法長期對患者的情況進行跟蹤，以及時檢測異常情況，從而達到預防的效果。開發智能心電監護算法，然后將其應用于家庭醫療和社區醫療當中，這樣將提升疾病應急預防效率。

由于心電圖的檢測規則復雜，步驟繁瑣，一般臨床上依靠醫生本身的臨床經驗和書本上的知識來進行，這樣的做法主觀性較強且容易受到影響，這就會造成噪聲標簽。噪聲標簽是降低心電圖分類準確率的最顯著的因素之一。卷積神經網絡很容易與錯誤標記的訓練數據過擬合，導致明顯的性能下降。因此，為了降低噪聲標簽對心電診斷的負面影響，我們開發了存在噪聲標簽的心電圖分類任務中的深度學習算法。

目前存在一些技術方案，比如引入交叉驗證的方法來識別錯誤標記的樣本。該方法利用了五個不同分類器的協同優勢作為訓練樣本的過濾器。過濾器在10倍交叉驗證的幫助下移除錯誤標記的訓練樣本并保留正確標記的訓練樣本，從而為最終分類器提供新的訓練集以獲得更高的分類精度。

發明內容

針對上述現有技術中的問題，本申請提出了一種針對含有噪聲標簽的心電圖智能分析方法，其特征在于，包括以下步驟：

步驟S1、首先搭建一個輕量級卷積神經網絡作為分類任務的基礎，并將含有噪聲標簽的心電數據集輸入，并進行基礎的數據學習訓練，訓練后保存模型；

步驟S2、使用所述保存模型對訓練集中所有數據進行標簽預測，接著對訓練集數據進行數據清理，利用卷積神經網絡在訓練過程中先擬合正確信息再對錯誤信息進行過擬合，來減少訓練集中帶有錯誤標簽的數據，訓練并保存過擬合點前訓練好的模型，將與預測結果不一致的數據從數據集中刪除，剩下的數據組成過濾后的訓練集，用過濾后的訓練集來預測訓練集中數據的標簽，比較后刪除與預測標簽不一致的數據，得到數據清理后的數據集；使用過濾后的訓練集對保存的模型繼續進行訓練；從而減少了訓練集中錯誤標記數據的比例，使卷積神經網絡能夠學習正確的樣本內容；

步驟S3、繼續訓練卷積神經網絡，利用拓撲原理，將卷積神經網絡中的損失函數替換為抗噪聲標簽損失函數，并調整參數，抗噪聲標簽損失函數根據模型的當前狀態動態更新預測目標，使用交叉熵目標，同時根據模型的當前狀態在每個小批量中生成新的回歸目標，由當前預測標簽和嘈雜訓練的“硬”版本凸組合產生最終目標，從而減少卷積神經網絡對錯誤標簽數據的關注來提高分類精度，用來對數據清理中沒有清除掉的帶有錯誤標簽的心電數據進行進一步的處理；

步驟S4、將步驟S3得出的模型用過濾后數據集繼續訓練，訓練結束后即可輸入測試樣本，卷積神經網絡對樣本進行評估，得到輸出結果。