[发明专利]一种基于深度残差网络的心电图分类方法及系统

说明书

本发明公开了一种基于深度残差网络的心电图分类方法及系统，包括：采集标注好的心电图数据，获得心电图样本数据、类别标签和关键波形标签；将三者以及它们之间的对应关系整合为数据集；数据集包括训练集和验证集；构建基本的深度残差网络，在其主干网络预设位置构建用以重构关键波形位置的分支；分支包括：卷积层和Sigmoid层；训练后，获得训练好的具有分支的深度残差网络模型；通过训练好的模型对待分类检测的心电图数据进行分类。本发明通过在深度残差网络中引入新的分支来检测关键波形，使得模型能够更关注于心电图的关键波形，在可解释性和性能上都得到提升，输出给医生的分类数据更具有参考价值。

技术领域

本发明属于心电图分类技术领域，特别涉及一种基于深度残差网络的心电图分类方法及系统。

背景技术

在心电图分类中，基于手工特征的传统方法在实践中需要心内科专家的深度参与，特征的选择严重依赖于专业的医疗知识，需要复杂繁琐的微调。近年来，一系列端到端的深度学习模型在心电图分类中越来越得到重视，随着心电图数据量的增长，从性能角度已经达到了一般专家水平。但是这样的模型并不能直接应用，因为单纯由数据驱动的深度学习模型有一个重大的问题：作为黑箱模型，难以对结果做出合理的解释。另外，目前的基于深度残差网络的心电图分类方法中，采用的深度残差网络缺乏医学领域的先验知识，在样本量较少的情况下，其分类准确性较低。

例如，文献1提供了可参考的基于深度残差网络进行心电图分类的技术解决方案：

文献1.Rajpurkar P,Hannun A Y,Haghpanahi M,et al.Cardiologist-LevelArrhythmia Detection with Convolutional Neural Networks[J].2017.文献1中提出利用深度残差网络来解决心电图的分类问题并宣称达到了专家水平。该文献作者收集了29163个病人的心电图数据，包含14类心律不齐，为深度残差网络的训练提供了数据基础。技术上基于何凯明提出的深度残差网络，针对数据集构建了34层的残差网络。模型评估时除了在测试集中计算本模型的F1值，同时设置了一组心内专家来判断测试集的结果来计算心内专家的F1值，发现模型性能已高于该组心内专家。

但是文献1所述方法在应用中存在两个重大的问题：一是作为单纯由数据驱动的深度学习模型，模型学习到的判别模式和医生判别模式不匹配，模型结果较难被医生理解并加以利用；二是深度残差网络在数据量不充足时性能较差。而在实际应用中，专家要求模型在可解释性和性能上都达到应用水平，这是文献1中单纯的深度残差模型无法保证的。

发明内容

本发明的目的在于提供一种基于深度残差网络的心电图分类方法及系统，以解决上述存在的技术问题。本发明通过在深度残差网络中引入新的分支来检测关键波形，使得模型能够更关注于心电图的关键波形，在可解释性和性能上都得到提升，输出给医生的分类数据更具有参考价值。

为达到上述目的，本发明采用以下技术方案：

一种基于深度残差网络的心电图分类方法，包括以下步骤：

S1，样本数据预处理：采集获取预设数量的标注好的心电图数据，预处理后获得作为模型训练输入的心电图样本数据和类别标签；根据心电图样本数据提取关键波形位置获取关键波形标签；将心电图样本数据、类别标签和关键波形标签以及它们之间的对应关系整合为数据集；将数据集按照预设比例划分为训练集和验证集；

S2，构建具有分支的深度残差网络模型：构建基本的深度残差网络，在其主干网络预设位置构建用以重构关键波形位置的分支；分支包括：卷积层和Sigmoid层；具有分支的深度残差网络模型的训练过程中，通过构建的基本的深度残差网络计算出分类损失函数，通过构建的分支计算出波形检测的损失函数，根据计算出的分类损失函数和波形检测的损失函数得出最终的损失函数；