[发明专利]基于局部模式变换的心电图分类方法

说明书

本发明公开了一种基于局部模式变换的心电图分类方法，包括：(1)取得原始心电数据和心电图附加信息，并对原始心电数据进行预处理；(2)对预处理后的心电数据进行增广变换处理获得心电增广数据；(3)利用心电增广数据和心电图附加信息对深度学习模型进行训练；(4)对待分类的心电图数据中的原始心电数据进行子段随机截取，将子段随机截取后的心电数据和心电图附加信息输入训练好的深度学习模型中，获得每个子段的局部概率值，再对所有局部概率值进行汇总，获得最终分类结果。本发明使用卷积神经网络及其变体能直接处理可变长度的心电图数据。

技术领域

本发明涉及心电图分类技术领域，尤其涉及一种基于局部模式变换的心电图分类方法。

背景技术

心电图是记录人体心脏电活动的可视时间序列，已广泛应用于心脏相关疾病的检查，并形成了比较完善的判读标准。随着可穿戴技术的兴起，心电图分析正在向院外、亚健康人群和长时间监护发展，这使得医生工作量大增，也使得对自动化诊断的需求越来越迫切。

用于临床诊断的心电图一般是12导联，每个导联通常采集10-60秒的心电数据。受限于不准确的传统特征提取方法，经典基于特征工程的心电图分类算法的实际性能不佳。

近年来，以卷积神经网络(Convolutional Neural Network,CNN)为代表的深度学习在心电图分析领域取得重要进展。例如，公开号为CN110432892A的中国专利文献公开了一种机器学习心电图自动诊断云。该自动诊断云包括：心电图采集，互联网/移动互联网，云平台及机器学习心电图自动诊断系统。机器学习心电图自动诊断系统直接处理心电图图像数据，通过一个训练好的深度卷积神经网络分类系统，完成对心电图信号自动诊断。但该方法只能处理固定尺寸的输入数据，所以需要对原始数据进行截断、填充或拉伸等，不利于后续的分类识别。

目前的最佳做法是首先利用CNN及其变体对原始心电数据进行降维，接着交由以长短时记忆网络(Long Short-Term Memory,LSTM)为代表的递归结构层对可变长度数据进行处理，并融入注意力机制(Attention Mechanism,AM)，最后交由分类模块执行分类，即“CNN+LSTM+AM”模型。公开号为CN111012332A的中国专利文献公开了基于神经网络的12导联心电信号多标签分类方法，具体步骤为：确定数据输入格式、改进卷积神经网络、数据输入通过全连接层将3条支流的特征信息融合，最后进行标签分类。该方法利用12导联信号做数据来源充分挖掘患者临床信息，利用改进的三支流CNN提取到不同尺度的医学特征从双层LSTM结构的RNN时间序列性中找到规律，提高多分类准确率。尽管该方法能取得不错的分类效果，但计算复杂度高；同时由于参数优化困难，往往需要额外的优化技术如Dropout、Adam等，进一步增加模型复杂度。

发明内容

本发明提供了一种基于局部模式变换的心电图分类方法，使用卷积神经网络及其变体能直接处理可变长度的心电图数据，同时从一定程度上解决参数优化困难、计算复杂度高等问题。

本发明的具体技术方案如下：

一种基于局部模式变换的心电图分类方法，包括：

(1)取得原始心电数据和心电图附加信息，并对原始心电数据进行预处理；

(2)对预处理后的心电数据进行增广变换处理获得心电增广数据；所述的增广变换处理包括：子段随机截取、叠加随机噪声、沿着时间轴拉伸或收缩、小区域数据随机污染和/或按一定比例添加错误标签；

(3)利用心电增广数据和心电图附加信息对深度学习模型进行训练；

(4)对待分类的心电图数据中的原始心电数据进行子段随机截取，将子段随机截取后的心电数据和心电图附加信息输入训练好的深度学习模型中，获得每个子段的局部概率值，再对所有局部概率值进行汇总，获得最终分类结果。

所述的心电图数据包括原始心电数据和心电图附加信息。