CN107832737B - 基于人工智能的心电图干扰识别方法 - Google Patents

Abstract

本发明实施例涉及一种基于人工智能的心电图干扰识别方法,包括：以第一数据量对心搏数据进行切割采样，并将切割采样得到的待识别心搏数据输入到干扰识别二分类模型进行干扰识别；对心搏数据的序列中，心搏间期大于等于预设间期判定阈值的心搏数据片段进行信号异常判断，确定是否为异常信号；如果不是异常信号，则以预设时间宽度，根据设定时值确定心搏数据片段中滑动取样的起始数据点和终止数据点，并由起始数据点开始对数据片段进行滑动取样，至终止数据点为止，得到多个取样数据段；将每个取样数据段作为待识别心搏数据进行干扰识别。

Description

基于人工智能的心电图干扰识别方法

技术领域

本发明涉及人工智能数据分析处理的技术领域，尤其涉及一种基于人工智能的心电图干扰识别方法。

背景技术

1908年Einthoven开始应用心电图(Electrocardiography，ECG)监测心脏的电生理活动，目前无创心电图检查已成为临床心血管领域针对心脏疾病诊断和筛查的重要方法之一。心电图检查根据临床使用情况，可以分成：静态心电图，动态心电图，和运动心电图等几大类。

心电监测是心血管患者病情观察及诊疗的一项重要措施，可以实时监测有无心律失常、心脏搏动的频率等，并根据心电活动采取及时有效的措施。虽然市场上大多数的动态心电图分析软件都可以对数据进行自动分析但在临床工作中，心电图检测记录过程中易受多种影响出现干扰现象，导致获取数据无效或不准确，不能正确反映病人状况，增加医生诊断难度及工作量；同时，干扰数据也是导致智能诊断工具无法有效工作的主要因素。因此，将干扰降到最低显得尤为重要。

发明内容

本发明的目的是提供一种基于人工智能的心电图干扰识别方法。以深度学习算法为核心的端到端二分类识别系统，具有精度高，泛化性能强的特点，可有效解决电极片脱落、运动干扰和静态干扰等主要干扰来源产生的扰动问题，克服了传统算法因干扰数据变化多样无规律而导致的识别效果差的问题。

为实现上述目的，本发明提供了一种基于人工智能的心电图干扰识别方法，包括：

以第一数据量对心搏数据进行切割采样，并将切割采样得到的待识别心搏数据输入到干扰识别二分类模型进行干扰识别；

确定心搏数据的序列中，心搏间期大于等于预设间期判定阈值的心搏数据片段；

对心搏间期大于等于预设间期判定阈值的心搏数据片段进行信号异常判断，确定是否为异常信号；

如果不是异常信号，则以预设时间宽度，根据设定时值确定所述心搏数据片段中滑动取样的起始数据点和终止数据点，并由所述起始数据点开始对所述数据片段进行滑动取样，至所述终止数据点为止，得到多个取样数据段；

将每个所述取样数据段作为所述待识别心搏数据进行所述干扰识别。

优选的，所述以第一数据量对心搏数据进行切割采样具体包括：

确定所述心搏数据的采样中点；

以所述采样中点为中心，按照所述心搏数据的时间序列，从所述采样中点起，向两侧进行数据截取，得到所述第一数据量的采样数据。

进一步优选的，所述心搏数据的采样中点为所述心搏数据中QRS波群数据的R点。

进一步优选的，所述数据截取具体为：

根据数据点的数量截取或者根据时间段的长短截取。

优选的，所述心搏数据具体为单导联或多导联的心搏数据；所述以第一数据量对心搏数据进行切割采样具体为：

确定单导联或多导联心搏数据的采样中点；

以第一数据量，基于单导联或多导联心搏数据的采样中点进行所述切割采样。

优选的，所述将切割采样得到的待识别心搏数据输入到干扰识别二分类模型进行干扰识别具体包括：

根据所述干扰识别二分类模型确定单导联或多导联的所述待识别心搏数据的干扰噪音概率值；

根据所述干扰噪音概率值确定所述待识别心搏数据为干扰数据或非干扰数据。

进一步优选的，所述方法还包括：对所述干扰数据进行标记。

优选的，所述方法还包括：建立并基于人工智能自学习训练得到所述干扰识别二分类模型。

进一步优选的，所述训练具体包括：

标注训练数据；

对所述训练数据进行数据格式转换和存储，将数据格式转换为预设标准数据格式；

根据预设标准数据格式的训练数据进行训练。

本发明实施例提供的基于人工智能的心电图干扰识别方法，构建了一个以深度学习算法为核心的端到端二分类识别系统，具有精度高，泛化性能强的特点，可有效解决电极片脱落、运动干扰和静态干扰等主要干扰来源产生的扰动。本方法采用离线训练好的深度学习模型对输入的心搏数据进行分类，直接输出是否为干扰的分类结果，获得结果快，识别精确度高，稳定性能好，可为后续分析提供更有效优质的数据。

附图说明

图1为本发明实施例提供的基于人工智能的心电图干扰识别方法流程图；

图2为本发明实施例提供的干扰识别二分类模型的示意图。

具体实施方式

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

为便于理解本发明的技术方案，首先对人工智能模型尤其是卷积神经网络模型的基本原理进行介绍。

人工智能卷积神经网络(CNN)模型是深度学习中的监督学习方法，就是一个模拟神经网络的多层次网络(隐藏层hidden layer)连接结构，输入信号依次通过每个隐藏层，在其中进行一系列复杂的数学处理(Convolution卷积、Pooling池化、Regularization正则化、防止过拟合、Dropout暂时丢弃、Activation激活、一般使用Relu激活函数)，逐层自动地抽象出待识别物体的一些特征，然后把这些特征作为输入再传递到高一级的隐藏层进行计算，直到最后几层的全连接层(Full Connection)重构整个信号，使用Softmax 函数进行逻辑(logistics回归)，达到多目标的分类。

CNN属于人工智能中的监督学习方法，在训练阶段，输入信号经过多个的隐藏层处理到达最后的全连接层，softmax逻辑回归得到的分类结果，与已知的分类结果(label标签)之间会有一个误差，深度学习的一个核心思想就是通过大量的样本迭代来不断地极小化这个误差，从而计算得到连接各隐藏层神经元的参数。这个过程一般需要构造一个特别的损失函数(cost function)，利用非线性优化的梯度下降算法和误差反向传播算法(backpropagation algorithm，BP)，快速有效地极小化整个深度(隐藏层的层数)和广度(特征的维数)都十分复杂的神经网络结构中所有连接参数。

深度学习把需要识别的数据输入到训练模型，经过第一隐藏层、第二隐藏层、第三隐藏层，最后是输出识别结果。每一层提取不同抽象程度的特征，最终识别出原始数据具体是什么类别，例如车、人或者动物。

深度学习的算法模型在数学上十分复杂。开发一个完整的算法程序需要极强的专业背景知识和丰富的工作经验。近年来，Google、微软、百度、Facebook等公司和一些著名大学(比如加州伯克利大学、加拿大蒙特利尔大学)也都相继开发推出了各具特色的人工智能开发开源平台，帮助在深度学习领域的一些研发公司迅速掌握这个前沿技术。其中，伯克利的Caffe和Google的Tensorflow是目前使用最为广泛的两个框架工具。

由于深度学习模型极端复杂，而需要的训练数据从几十万、几百万到几千万，再加上反复循环迭代，导致非线性优化计算量非常庞大。对于实际的项目，使用普通计算机的中央处理器计算，耗时经常是从十几小时到数天，甚至更久。这种情况下，改用图形处理器(Graphics Processing Unit，GPU)计算可以极大地加快计算速度。目前，Nvidia公司提供的GPU卡，由于强大的图形与计算机视觉计算能力，大量的线性代数等计算库，支持并行处理，可以满足深度学习需要的各类方法计算，成为当前人工智能高性能训练与推理的基础硬件。

本发明的基于人工智能的心电图干扰识别方法，是基于CNN模型来实现的。

下面图1所示的基于人工智能的心电图干扰识别方法流程图，对本发明的具体实现技术方案进行说明。

如图1所示，本发明提供的基于人工智能的心电图干扰识别方法主要步骤如下：

步骤110，以第一数据量对心搏数据进行切割采样，并将切割采样得到的待识别心搏数据输入到干扰识别二分类模型进行干扰识别；

具体的，首先确定心搏数据的采样中点，具体可以选取心搏数据中QRS波群数据的R点。然后以采样中点为中心，按照心搏数据的时间序列，从采样中点起向两侧进行数据截取，得到第一数据量的采样数据。其中，数据截取的方式可以根据数据点的数量截取或者根据时间段的长短截取。

上述切割采样可以是针对单导联或者多导联的。在为多导联的情况下，可以对每个导联分别确定各导联心搏数据的采样中点，然后以第一数据量，基于各导联心搏数据的采样中点进行切割采样。也就是从采样中点向前后截取相等的数据量。截取可以具体采用依据设定的数据点数量进行截取或者依据设定的时间段长短进行截取。

本发明中，干扰识别的具体实现方案可以是根据干扰识别二分类模型确定每个导联的待识别心搏数据的干扰噪音概率值，然后根据干扰噪音概率值确定待识别心搏数据为干扰数据或非干扰数据。

对于干扰识别二分类模型的训练，在后续进行详细说明。

步骤120，确定心搏数据的序列中，心搏间期大于等于预设间期判定阈值的心搏数据片段；

具体的，预设间期可以优选为2秒。如果心搏间期大于等于预设间期，则表明可能存在信号异常的情况，因此需要先进行信号异常的判断。

步骤130，对心搏间期大于等于预设间期判定阈值的心搏数据片段进行信号异常判断，确定是否为异常信号；

具体的，信号异常判断包括对信号溢出，低电压，电极脱落等情况的判定。对心搏间期大于等于2秒的心搏数据，先判断是否是信号溢出，低电压，电极脱落。

如果不是异常信号，执行步骤140，如果是异常信号，则执行步骤150。

步骤140，以预设时间宽度，根据设定时值确定心搏数据片段中滑动取样的起始数据点和终止数据点，并由起始数据点开始对数据片段进行滑动取样，至终止数据点为止，得到多个取样数据段；

也就是说，按照设定时值，确定心搏数据在时序上最前面的第一个取样数据段的起始数据点，然后根据预设时间宽度向后连续以预设时间宽度不重叠滑动取样。优选的，每个取样数据段中包含的数据点的数量也是第一数据量。

然后执行步骤160。

步骤150，对异常信号进行标记，并返回120，继续识别下一心搏间期大于等于预设间期判定阈值的心搏数据片段。

步骤160，将每个取样数据段作为待识别心搏数据进行干扰识别。

进一步的，对识别到的干扰数据进行标记。

上述干扰识别二分类模型的结构，是基于人工智能深度学习卷积神经网络LeNet-5和AlexNet等模型启发构建的一个端到端二分类识别系统。

对于该模型的训练，我们采用了来源于30万病人近400万精确标注的数据片段。标注分为两类：正常心电图信号或者是有明显干扰的心电图信号片段。我们通过定制开发的工具进行片段标注，然后以自定义标准数据格式保存干扰片段信息。

在训练过程，使用两台GPU服务器进行几十次轮循训练。在一个具体的例子中，采样率是200Hz，数据长度是300个心电图电压值(毫伏)的一个片段D[300]，输入数据是：InputData(i，j),其中，i是第i个导联，j是导联i第j个片段D。输入数据全部经过随机打散才开始训练，保证了训练过程收敛，同时，控制从同一个病人的心电图数据中收集太多的样本，提高模型的泛化能力，既真实场景下的准确率。训练收敛后，使用100万独立的测试数据进行测试，准确率可以到达99.3％。另有具体测试数据如下表1。

	干扰	正常
			敏感率(Sensitivity)	99.14％	99.32％
阳性预测率(Positive Predicitivity)	96.44％	99.84％

表1

因为干扰数据往往是由外界扰动因素的作用而引起的，主要有电极片脱落、低电压、静电干扰和运动干扰等情况，不但不同扰动源产生的干扰数据不同，而且相同扰动源产生的干扰数据也是多种多样；同时考虑到干扰数据虽然多样性布较广，但与正常数据的差异很大，所以在收集干扰的训练数据时也是尽可能的保证多样性，同时采取移动窗口滑动采样，尽可能增加干扰数据的多样性，以使模型对干扰数据更加鲁棒，即使未来的干扰数据不同于以往任何的干扰，但相比于正常数据，其与干扰的相似度也会大于正常数据，从而使模型识别干扰数据的能力增强。

本步骤中采用的干扰识别二分类模型可以如图2所示，网络首先使用2层卷积层，卷积核大小是1x5,每层后加上一个最大值池化。卷积核数目从128开始，每经过一次最大池化层，卷积核数目翻倍。卷积层之后是两个全连接层和一个softmax分类器。由于该模型的分类数为2，所以softmax有两个输出单元，依次对应相应类别，采用交叉熵做为损失函数。

本发明实施例提供的基于人工智能的心电图干扰识别方法，构建了一个以深度学习算法为核心的端到端二分类识别系统，具有精度高，泛化性能强的特点，可有效解决电极片脱落、运动干扰和静态干扰等主要干扰来源产生的扰动。本方法采用离线训练好的深度学习模型对输入的心搏数据进行分类，直接输出是否为干扰的分类结果，获得结果快，识别精确度高，稳定性能好，可为后续分析提供更有效优质的数据。

专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于人工智能的心电图干扰识别方法，其特征在于，所述方法包括：

以第一数据量对心搏数据进行切割采样；

确定所述切割采样得到的心搏数据的序列中，心搏间期大于等于预设间期判定阈值的心搏数据片段；

对心搏间期大于等于预设间期判定阈值的心搏数据片段进行信号异常判断，确定是否为异常信号；

如果不是异常信号，则以预设时间宽度，根据设定时值确定所述心搏数据片段中滑动取样的起始数据点和终止数据点，并由所述起始数据点开始对所述数据片段进行滑动取样，至所述终止数据点为止，得到多个取样数据段；

将每个所述取样数据段作为待识别心搏数据输入到干扰识别二分类模型进行所述干扰识别；

其中，所述干扰识别具体包括：

根据所述干扰识别二分类模型确定单导联或多导联的所述待识别心搏数据的干扰噪音概率值；

根据所述干扰噪音概率值确定所述待识别心搏数据为干扰数据或非干扰数据。

2.根据权利要求1所述的方法，其特征在于，所述以第一数据量对心搏数据进行切割采样具体包括：

确定所述心搏数据的采样中点；

以所述采样中点为中心，按照所述心搏数据的时间序列，从所述采样中点起，向两侧进行数据截取，得到所述第一数据量的采样数据。

3.根据权利要求2所述的方法，其特征在于，所述心搏数据的采样中点为所述心搏数据中QRS波群数据的R点。

4.根据权利要求2所述的方法，其特征在于，所述数据截取具体为：

根据数据点的数量截取或者根据时间段的长短截取。

5.根据权利要求1所述的方法，其特征在于，所述心搏数据具体为单导联或多导联的心搏数据；所述以第一数据量对心搏数据进行切割采样具体为：

确定单导联或多导联心搏数据的采样中点；

以第一数据量，基于单导联或多导联心搏数据的采样中点进行所述切割采样。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对所述干扰数据进行标记。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

建立并基于人工智能自学习训练得到所述干扰识别二分类模型。

8.根据权利要求7所述的方法，其特征在于，所述训练具体包括：

标注训练数据；

对所述训练数据进行数据格式转换和存储，将数据格式转换为预设标准数据格式；

根据预设标准数据格式的训练数据进行训练。

Images