[发明专利]基于VQ-VAE2和深度神经网络方法的心电异常检测方法

说明书

本发明涉及心电图异常检测技术领域，具体涉及一种基于VQ‑VAE2和深度神经网络方法的心电异常检测方法。该基于VQ‑VAE2和深度神经网络方法的心电异常检测方法包括以下步骤：步骤1：获取两个训练数据库，房颤训练数据库及非房颤训练数据库，对房颤训练数据库进行数据处理；步骤2：对经过数据处理后的房颤训练数据库进行VQ‑VAE2训练和先验训练，生成新的心电图图像；步骤3：房颤心率类型识别：将步骤2最终生成的新的心电图数据、房颤训练数据库混合在一起，作为房颤样本集，然后将该房颤样本集与非房颤训练数据库输入到深度神经网络中进行判别，提供一种为医生输出更准确的的评估数据，提高诊断的准确率和效率的基于VQ‑VAE2和深度神经网络方法的心电异常检测方法。

技术领域

本发明涉及心电图异常检测技术领域，具体涉及一种基于VQ-VAE2和深度神经网络方法的心电异常检测方法。

背景技术

心电图(ECG)是从体表记录心脏每一心动周期所产生的电活动变化形成的图形。通过心电图可以表征出人的多种心脏疾病。其中房颤是最常见的持续性心律失常。据统计，房颤的发病率为1％-2％，并且随着年龄的增长房颤的患病率也逐渐增加。心脏本身的疾病如心脏衰竭、瓣膜疾病、心肌梗死等与房颤疾病显著相关。实际上，由于生理信号受到个体内部变化的影响，目前房颤分类没有统一，房颤患者的症状多变且无特异性，因此对房颤的识别也较为复杂。例如，电极位置和噪声都会影响信号的波形，即使是健康受试者的心电信号，在不同的情况下，QRS复合体、P波和R-R间隔的形状在不同的节拍之间也不会是相同的，同类型的心律失常在相同患者的不同阶段之间的心电信号很可能有明显变化，不同患者同种类型的心律失常在心电信号上的差异更大。而判断心律类型的基础则就是不同类型的心电信号样本。

目前难以获得高质量的心电信号分类样本。一方面，由于采集自临床的绝大部分心电信号属于正常信号，因此所建立的数据集中异常心电信号稀少，与正常心电信号比例严重不均衡；另一方面，由于心电的类别需要由专业医生逐个心拍进行标注，因而获得大量的数据的成本很高。由于心电信号的特性，心电不能如同一般图片通过旋转、对称等方式做数据扩增。样本不均衡和总样本量较少会导致所训练的深度学习模型性能不佳。

GAN常被用来解决样本不均衡问题，然而训练GAN需要达到纳什均衡,而目前人们却没有找到很好的达到纳什均衡的方法,所以相比VAE(变分自编码机)或者PixelRNN来说，GAN的训练是不稳定的。另一方面，GAN生成的样本并不能完全捕捉真实分布中的多样性。同时，针对生成对抗网络的评价非常困难，目前依然缺少一个较通用的度量标准，用于在测试集中判断模型是否过拟合。

发明内容

本发明要解决的技术问题是：克服现有技术的不足，提供一种为医生输出更准确的评估数据，提高诊断的准确率和效率的基于VQ-VAE2和深度神经网络方法的心电异常检测方法。

本发明为解决其技术问题所采用的技术方案为：基于VQ-VAE2和深度神经网络方法的心电异常检测方法，包括以下步骤：

步骤1：获取两个训练数据库，房颤训练数据库及非房颤训练数据库，对房颤训练数据库进行数据处理；

步骤2：对经过数据处理后的房颤训练数据库进行VQ-VAE2训练和先验训练，生成新的心电图图像；

步骤3：房颤心率类型识别：将步骤2最终生成的新的心电图数据、房颤训练数据库混合在一起，作为房颤样本集，然后将该房颤样本集与非房颤训练数据库输入到深度神经网络中，进行判别。

所述步骤1包括以下子步骤：

1-1：获取两个训练数据库：房颤训练数据库及非房颤训练数据库，所述房颤训练数据库存储已知房颤的心电数据，即异常数据，非房颤训练数据库存储非房颤的心电数据；

1-2：对房颤训练数据库中的每个导联心电图信号进行除噪处理；