本發(fā)明涉及心電圖異常自動診斷技術(shù)領(lǐng)域，具體的說是一種心電圖異常自動診斷方法。

背景技術(shù)：

心電圖是診斷心臟有關(guān)的諸多疾病最直接的方法和依據(jù)，憑借經(jīng)濟、可靠、快速，且非入侵式測量方法等優(yōu)勢，已經(jīng)被普遍應用在臨床多年。心臟的電生理活動能夠直觀反映在心電圖上，心電圖蘊含的的波形、周期等信息是醫(yī)生進行診斷的有力證據(jù)。

心電圖異常自動診斷是一種重要的醫(yī)療輔助功能，它可以通過計算機直接對人體心電信號進行自動診斷，檢測出異常心電圖波段，同時對異常種類進行分類。除了和采集信號的設(shè)備等相關(guān)外，自動診斷和分類的準確性嚴重依賴于分類算法的實現(xiàn)。一般心電圖信號異常類型的分類算法首先需要憑借專業(yè)經(jīng)驗總結(jié)不同異常類型對應的心電圖特征，以圖形特征和統(tǒng)計特征為主要特征來源。不同人和不同的異常類型都可能表現(xiàn)為不同的特征，這就造成了特征的多樣性和強弱相關(guān)性不同。另一方面，分類效果不僅和特征選取質(zhì)量相關(guān)，也取決于由醫(yī)生經(jīng)驗到計算機特征實現(xiàn)算法的轉(zhuǎn)換質(zhì)量，醫(yī)生經(jīng)驗并非100％可轉(zhuǎn)化成具體的計算機算法。

并且，許多心電圖異常信號轉(zhuǎn)瞬即逝，只有長時間觀測才能捕捉，依靠人力無法實現(xiàn)長時間、實時診斷。傳統(tǒng)的自動診斷方法多以程序化醫(yī)生經(jīng)驗為主，需要大量手動特征提取、篩選工作，診斷效果并不突出。深度學習技術(shù)的發(fā)展極大促進了特征學習方法的進步，本發(fā)明提出了一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的心電圖異常自動診斷方法。

不同于傳統(tǒng)的FNNs(Feed-forward Neural Networks，前向反饋神經(jīng)網(wǎng)絡(luò))，RNN(Recurrent Neural Networks，循環(huán)神經(jīng)網(wǎng)絡(luò))引入了定向循環(huán)，能夠處理那些輸入之間前后關(guān)聯(lián)的問題。RNN的目的是用來處理序列數(shù)據(jù)。在傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型中，是從輸入層到隱含層再到輸出層，層與層之間是全連接的，每層之間的節(jié)點是無連接的。而RNN中一個序列數(shù)據(jù)當前的輸出與前面的輸出有關(guān)。具體的表現(xiàn)形式為網(wǎng)絡(luò)會對前面的信息進行記憶并應用于當前輸出的計算中，即隱藏層之間的節(jié)點不再無連接而是有連接的，并且隱藏層的輸入不僅包括輸入層的輸出還包括上一時刻隱藏層的輸出。理論上，RNN能夠?qū)θ魏伍L度的序列數(shù)據(jù)進行處理。

RNN已經(jīng)在眾多自然語言處理(Natural Language Processing,NLP)中取得了巨大成功以及廣泛應用。在RNN中，目前使用最廣泛最成功的模型便是LSTM(Long Short-Term Memory，長短時記憶模型)模型，該模型通常比vanilla RNN能夠更好地對長短時依賴進行表達，該模型相對于一般的RNN，只是在隱藏層做了手腳。

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)是一種前饋神經(jīng)網(wǎng)絡(luò)，是近年發(fā)展起來，并引起廣泛重視的一種高效識別方法。它的人工神經(jīng)元可以響應一部分覆蓋范圍內(nèi)的周圍單元，對于大型圖像處理有出色表現(xiàn)。CNN包括卷積層(alternating convolutional layer)和池層(pooling layer)。

CNN的基本結(jié)構(gòu)包括兩層，其一為特征提取層，每個神經(jīng)元的輸入與前一層的局部接受域相連，并提取該局部的特征，一旦該局部特征被提取后，它與其它特征間的位置關(guān)系也隨之確定下來；其二是特征映射層，網(wǎng)絡(luò)的每個計算層由多個特征映射組成，每個特征映射是一個平面，平面上所有神經(jīng)元的權(quán)值相等。特征映射結(jié)構(gòu)采用影響函數(shù)核小的sigmoid函數(shù)作為卷積網(wǎng)絡(luò)的激活函數(shù)，使得特征映射具有位移不變性。卷積神經(jīng)網(wǎng)絡(luò)中的每一個卷積層都緊跟著一個用來求局部平均與二次提取的計算層，這種特有的兩次特征提取結(jié)構(gòu)減小了特征分辨率。

CNN主要用來識別位移、縮放及其他形式扭曲不變性的二維圖形。卷積神經(jīng)網(wǎng)絡(luò)以其局部權(quán)值共享的特殊結(jié)構(gòu)在語音識別和圖像處理方面有著獨特的優(yōu)越性，其布局更接近于實際的生物神經(jīng)網(wǎng)絡(luò)，權(quán)值共享降低了網(wǎng)絡(luò)的復雜性，特別是多維輸入向量的圖像可以直接輸入網(wǎng)絡(luò)這一特點避免了特征提取和分類過程中數(shù)據(jù)重建的復雜度。

技術(shù)實現(xiàn)要素：

本發(fā)明針對目前技術(shù)發(fā)展的需求和不足之處，提供一種心電圖異常自動診斷方法和方法。

本發(fā)明所述一種心電圖異常自動診斷方法，解決上述技術(shù)問題采用的技術(shù)方案如下：所述心電圖異常自動診斷方法，結(jié)合RNN神經(jīng)網(wǎng)絡(luò)對時序特征的學習能力和CNN神經(jīng)網(wǎng)絡(luò)對空間特征的學習能力，對心電圖這種生物信號進行特征學習；自動表征不同類型的異常心電圖，構(gòu)建一神經(jīng)網(wǎng)絡(luò)分類器；

利用標注好異常類型的心電圖數(shù)據(jù)集訓練該分類器，改善自動診斷的效果；使該分類器能夠自動診斷異常心電圖，實現(xiàn)對不同心律失常類型的自動分類。

優(yōu)選的，首先，聯(lián)合多個RNN神經(jīng)網(wǎng)絡(luò)學習每個導聯(lián)心電圖的時序特征，層級堆疊CNN神經(jīng)網(wǎng)絡(luò)學習多導聯(lián)心電圖的空間特征；然后將CNN神經(jīng)網(wǎng)絡(luò)和RNN神經(jīng)網(wǎng)絡(luò)連接到merge層，將兩個神經(jīng)網(wǎng)絡(luò)的輸出特征合并，輸入到兩個堆疊的全連接層，最后接入softmax層作為輸出層，輸出心電圖異常種類的概率分布，整個結(jié)構(gòu)組合成一個神經(jīng)網(wǎng)絡(luò)分類器。

本發(fā)明所述一種心電圖異常自動診斷方法和方法，與現(xiàn)有技術(shù)相比具有的有益效果是：本發(fā)明主要利用對時序特征具有較強學習能力的遞歸神經(jīng)網(wǎng)絡(luò)RNN和對空間結(jié)構(gòu)特征具有較強學習能力的卷積神經(jīng)網(wǎng)絡(luò)CNN對心電圖信號進行特征學習，避免了人工提取特征的過程，然后利用其特征組成分類器，通過有監(jiān)督學習訓練該分類器，使其能夠自動診斷異常心電圖；提高了心電圖異常自動診斷分類的準確性。

附圖說明

附圖1是基于RNN和CNN的二導聯(lián)心電圖異常自動診斷流程圖；

附圖2是心電圖信號輸入LSTM網(wǎng)絡(luò)示意圖。

具體實施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚明白，以下結(jié)合具體實施例，對本發(fā)明所述一種心電圖異常自動診斷方法進一步詳細說明。

針對心電圖異常的自動化診斷，本發(fā)明提出了一種心電圖異常自動診斷方法，是基于循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)的心電圖異常自動診斷方法，利用神經(jīng)網(wǎng)絡(luò)自動學習心電圖異常的特征，包括利用RNN進行時序特征學習，以及利用CNN進行空間特征學習，然后構(gòu)建分類器，使用心電圖異常數(shù)據(jù)進行訓練，實現(xiàn)心電圖異常的自動診斷。

實施例：

本實施例所述心電圖異常自動診斷方法，結(jié)合RNN神經(jīng)網(wǎng)絡(luò)對時序特征的學習能力和CNN神經(jīng)網(wǎng)絡(luò)對空間特征的學習能力，對心電圖這種生物信號進行特征學習；自動表征不同類型的異常心電圖，構(gòu)建一基于深度神經(jīng)網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)分類器；利用帶類型標注的心電圖訓練該分類器以提高分類準確率，使其自動診斷異常心電圖，實現(xiàn)對不同心律失常類型的自動分類。

所述心電圖異常自動診斷方法，主要實現(xiàn)過程為：首先，聯(lián)合多個RNN學習每個導聯(lián)的心電圖時序特征，層級堆疊CNN學習多導聯(lián)心電圖的空間特征；然后合并上述兩種特征送入普通的全連接層，最后接入softmax層作為輸出層，輸出心電圖異常種類的概率分布，整個結(jié)構(gòu)組合成一個神經(jīng)網(wǎng)絡(luò)分類器。

并且，利用標注好異常類型的心電圖數(shù)據(jù)集訓練該網(wǎng)絡(luò)分類器，改善自動診斷的效果。

RNN組成的時序特征學習的學習單元，由單個或多個基本類型的獨立的RNN網(wǎng)絡(luò)組成，例如LSTM神經(jīng)網(wǎng)絡(luò)，每個導聯(lián)信號輸入到一個獨立的RNN網(wǎng)絡(luò)中。CNN組成的空間特征學習同樣能夠適應單導聯(lián)或多導聯(lián)心電圖信號，在常見的深度學習編程框架(例如TensorFlow)中，只需改變其輸入層的channel個數(shù)即可。

下面從本實施例所述心電圖異常自動診斷方法的具體實施步驟，來詳細了解其具體技術(shù)內(nèi)容，如下：

第一、設(shè)計網(wǎng)絡(luò)結(jié)構(gòu)

將層級堆疊的CNN網(wǎng)絡(luò)和平行的RNN網(wǎng)絡(luò)連接到merge層，將兩個神經(jīng)網(wǎng)絡(luò)的輸出特征合并，然后輸入到兩個堆疊的全連接層，最后接入softmax層；RNN網(wǎng)絡(luò)可選LSTM或者GRU等。附圖1是基于RNN和CNN的二導聯(lián)心電圖異常自動診斷流程圖，如附圖1所示以二導聯(lián)的心電圖信號為例，使用LSTM網(wǎng)絡(luò)。

第二、設(shè)定空間特征學習CNN神經(jīng)網(wǎng)絡(luò)的輸入：根據(jù)心電圖機規(guī)格確定心電圖導聯(lián)數(shù)目c和信號采集頻率n；設(shè)定CNN空間特征學習的輸入向量維度為1×n，channel＝c；

設(shè)定時序特征學習RNN神經(jīng)網(wǎng)絡(luò)的輸入：時序特征學習內(nèi)LSTM網(wǎng)絡(luò)個數(shù)為c，每個LSTM層數(shù)為n，深度為1。

第三、輸入心跳信號到網(wǎng)絡(luò)

截取心電圖數(shù)據(jù)的一個導聯(lián)上的一小段信號，記為s＝[x₀ x₁ … x_t … x_n-1]，信號點個數(shù)為n，使其包含一個完整心跳周期，歸一化信號值使x_t∈[0，1]，t＝0，1，...，n-1.；然后對s進行one-hot化，得到如附圖2所示。將s和分別輸入到CNN神經(jīng)網(wǎng)絡(luò)和RNN神經(jīng)網(wǎng)絡(luò)。

若心電圖數(shù)據(jù)為多導聯(lián)，則截取對應時間段上的所有信號進行上述變換之后輸入到網(wǎng)絡(luò)。附圖2具體展示了單導聯(lián)心電圖信號輸入到一個LSTM中，與之對應的，多個導聯(lián)信號分別輸入到多個LSTM中。

第四、訓練整個神經(jīng)網(wǎng)絡(luò)分類器

目標函數(shù)使用交叉熵損失函數(shù)，訓練采用小批量隨機梯度下降法(mini-batch stochastic gradient descent)對損失函數(shù)進行優(yōu)化，達到理想精度后停止訓練。

訓練完成之后，得到了一個可以對心電圖異常進行分類的模型，輸入心電圖信號段，模型輸出該信號段的異常類型概率分布，概率值最大的即為該段信號的異常類型，進而實現(xiàn)心電圖異常的自動診斷。

上述具體實施方式僅是本發(fā)明的具體個案，本發(fā)明的專利保護范圍包括但不限于上述具體實施方式，任何符合本發(fā)明的權(quán)利要求書的且任何所屬技術(shù)領(lǐng)域的普通技術(shù)人員對其所做的適當變化或替換，皆應落入本發(fā)明的專利保護范圍。