[发明专利]基于多导联和卷积神经网络的心律失常智能诊断方法

说明书

技术领域

本发明涉及一种利用深度卷积神经网络(ConvolutionalNeuralNetwork,CNN)对多导联心电图进行心律失常智能诊断的方法。更具体的说，是利用大量带有心律失常标签的多导联心电图数据训练深度卷积神经网络，自动学习蕴含其中的心律失常信息，从而实现自动诊断的目的。。

背景技术

心电图检查在医院已成为常见检验项目。临床上，医生主要通过心电图评估患者心脏健康情况，尤其对心律失常的诊断起到了关键性的作用，同时长期监测心电图是预防和及时治疗心律失常的有效手段，也给人们掌控自身心脏状况提供了可能。心电图信号是非平稳周期性生物信号，由心脏的电活动引起，蕴含大量心脏活动信息，其复杂性和专业性限制了心电图必须由受过培训的专业医师解读。心律失常类型较多，这是由心脏的复杂结构和活动规律决定的。同类型的心律失常在相同患者的不同阶段之间的心电图很可能有明显变化，不同患者同种类型的心律失常在心电图上的差异更大，这就在客观方面给心律失常的自动诊断造成很大难题。

最早的研究把心电信号看作类似自然语言的带有信息的符号序列，结合心电图诊断专家的专业知识和丰富经验，利用语义方法自动分析心电图和波形。例如Stockman等人将心电图转化为异或网络，分析过程即为在这网络上的搜索。随着专家系统在人工智能领域的崛起，一类基于“if-then”规则的分析方法被引入心电图分析当中，其推理归因机制依赖专家经验。因为心脏活动的复杂性和心律失常的多变性，不可能把医生所有经验知识转化为计算机可利用的逻辑，且信息转化效率极低，这使得这些早期方法很不理想。二十世纪九十年代统计学习兴起，众多机器学习方法被提出，以支持向量机(SupportVectorMachine,SVM)为代表的新方法被引入心律失常自动诊断问题中，同时也有小部分研究人员尝试使用神经网络解决这一问题。这些方法以心电图数据为基础辅以离散小波变换等信号分析方法，凭借统计学习的进步，一定程度上摆脱了专业知识对心律失常自动诊断的限制，但依然需要根据心律失常的类型进行特征提取和统计分析工作。

多数方法主要依靠医生和特征工程师对心电信号进行特征提取，根据先验知识建立心电信号的解析规则，在最新的基于离散小波分析的方法中，依然需要手工设计特征。这些方法最大的弊端是严重依赖特征的选择，而且工作量较大。CNN对复杂数据结构具有很强的自主学习能力，利用其通用性，可以建立针对心电信号特点的深度神经网络模型，通过已有的心电数据训练网络自动提取特征然后分类，既可以直接使用同一个网络进行分类，也可以把这些特征输入到其他诸如SVM等分类算法当中，从而省去了手工提取特征的环节，实现真正的智能诊断。

发明内容

本发明为了克服上述技术问题的缺点，提供了一种基于多导联和卷积神经网络的心律失常智能诊断方法。

本发明的基于多导联和卷积神经网络的心律失常智能诊断方法，其特征在于，设x为正常人的一个心跳周期内的多个导联心电图信号序列，则x可以表示为：

S_lead＝[s₁，s₂，...s_i，…s_n],

其中S_lead表示导联为lead的信号序列，s_i为一个心电信号值；

假设任意一个心跳x有唯一对应的心律类型，要么为正常心律或者为异常心律，设为y，则y与x之间存在函数关系Γ，即y＝Γ(x)；利用心电图数据训练CNN，得到一个逼近Γ(x)的函数关系其中θ表示CNN的参数；对于待诊断的心电图数据，利用获取的函数关系实现心律失常的智能诊断，以作为诊断结果或供医生参考。

本发明的基于多导联和卷积神经网络的心律失常智能诊断方法，通过以下步骤来实现：

a).选取数据样本，以MIT-BIH心律失常数据库的心电记录为数据来源，每例记录由肢体II导联和胸部V1导联组成，将两个导联信号没有保持一致的记录剔除，剩余的记录作为训练样本；

b).标注心律失常类型，专家对步骤a)选取的每例记录的肢体II导联、胸部V1导联数据形成的心律波中每个心跳的心律失常类型进行标注，所标注的心律失常类型为Arr＝{N，L，R，A，V}，其中N为正常心律，L为左束支传导阻滞，R为右束支传导阻滞，A为房性早搏，V为室性早搏；