申请/专利权人：合肥工业大学

申请日：2022-03-30

公开（公告）日：2024-04-26

公开（公告）号：CN114767123B

主分类号：A61B5/318

分类号：A61B5/318;A61B5/352;A61B5/00;G06F18/213;G06F18/24;G06F18/241;G06F18/2321;G06F18/243;G06N3/0464;G06N3/0442;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2022.08.09#实质审查的生效;2022.07.22#公开

摘要：本发明公开了一种基于多模态神经网络的心电散点图异常识别分类方法，包括：1获取具有人工标记的心电数据集；2将心电数据绘制为带有时序特征的心电散点图，并对心电散点图样本设置标签；3建立基于多模态神经网络的心电散点图异常识别分类模型；4利用所述心电散点图样本及其标签对多模态神经网络进行训练；5定位待分析心电数据的R峰位置并记录，根据定位的位置绘制心电散点图；6利用所述心电散点图异常识别分类模型对心电散点图进行异常分类。本发明能将一维的心电数据转换为二维的心电散点图，再结合多模态神经网络模型，从而能完成对异常心电数据的识别分类工作。

主权项：1.一种基于多模态神经网络的心电散点图异常识别分类方法，其特征是按如下步骤进行：步骤1、获取心电数据集并进行处理；步骤1.1、获取带有人工标记的心电数据集，且所述心电数据集中每个样本表示每个人在测量周期下的一段心电数据；将第i个样本的一段心电数据所标记的各个位置分别作为R峰坐标，从而根据相邻的R峰坐标，得到第i个样本的RR心电间期的时间间隔集合RRi＝{RRi,1,RPi,2,…,RRi,n,…,RRi,N}，从而得到所述心电数据集每个样本的RR心电间期的时间间隔集合RR＝{RR1,RR2,…,RRi,…,RRI}，其中，RRi,n表示第i个样本的第n个RR心电间期的时间间隔；N表示每个心电数据样本的RR心电间期数量；I表示所述心电数据集中的心电数据样本数量；根据时间顺序将第i个样本的RR心电间期的时间间隔集合RRi分为M份，并按照的顺序，依次选取前m份RR心电间期的时间间隔并绘制第i个样本的心电散点图集Pi＝{Pi,1,Pi,2,…,Pi,m,…,Pi,M}，从而得到所述心电数据集的心电散点图数据集P＝{P1,P2,…,Pi,…,PI}，其中，Pi,m表示第i个样本的第m个心电散点图；步骤1.2、为所述心电散点图数据集P设置标签值L＝{L1,L2,…,Li,…,LI}，其中，Li表示第i个样本的心电散点图数据集样本Pi的标签值；步骤1.3、对所述心电散点图数据集P进行归一化处理，得到训练样本X＝{X1,X2,…,Xi,…,XI}，其中，Xi表示第i个训练样本，且Xi＝{Xi,1,Xi,2,…,Xi,m,…,Xi,M}；其中，Xi,m表示归一化后的第i个训练样本的第m张心电散点图；将标签值L转换为onehot编码，得到样本目标值Y＝{Y1,Y2,…,Yi,…,YI}，其中，Yi表示第i个样本标签Li的编码值，且Yi＝{Yi,1,Yi,2,…,Yi,b,…,YI,B}，其中，Yi,b表示第i个样本标签的编码值Yi中第b位；步骤2、建立基于多模态神经网络的心电散点图异常识别分类模型，包括：空间特征提取层、时序特征提取层以及全连接大层；步骤2.1、所述空间特征提取层由M个空间特征提取模块组成，每个空间特征提取模块均由SC个卷积模块组成，其中，每个卷积模块均包含卷积层、激活层以及池化层；步骤2.2、所述时序特征提取层由T个门控循环单元构成，且T＝C×M，其中，C表示通道数；步骤2.3、所述全连接大层由fc个全连接层构成；步骤3、将所述训练样本X以及对应样本目标值Y输入所述多模态神经网络模型中进行训练，并通过交叉熵损失函数监督网络的训练，从而得到训练后的心电散点图异常识别分类模型；步骤3.1、将所述训练样本X以及对应样本目标值Y以一定的比例分为训练集以及测试集；步骤3.2、将所述训练集中的训练样本以批大小BS为一组数据输入所述多模态神经网络模型中，其中，一组数据中的第bs个训练样本Xbs输入所述空间特征提取层中，并分别经过M个空间特征提取模块中SC个卷积模块的依次处理，得到M个空间特征提取模块输出的空间特征图Sresultbs＝{Sresultbs,1,Sresultbs,2,…,Sresultbs,m,…,Sresultbs,M}，其中，Sresultbs,m表示第bs个训练样本经过第m个空间特征提取模块中的SC个卷积模块处理后输出的空间特征图；且Sresultbs,m＝{Sresultbs,m,1,Sresultbs,m,2,…,Sresultbs,m,c,…,Sresultbs,m,C}，其中，Sresultbs,m,c表示第m个空间特征提取模块输出的第c个通道的空间特征图；当m＝1；c＝1时，第m个空间特征图Sresultbs,m输入所述时序特征提取层中，由第m个空间特征提取模块输出的第c个通道的空间特征图Sresultbs,m,c经过所述时序特征提取层中第c个的门控循环单元的处理后，输出第c层的时序特征yc以及隐状态hc；当m＝1；c＝2,3,…,C时，所述第c个通道的空间特征图Sresultbs,m,c和第c-1层的隐状态hc-1经过所述第c个的门控循环单元的处理，输出第c层的时序特征yc以及隐状态hc；从而由第C个的门控循环单元输出第C层的时序特征yC以及隐状态hC；当m＝2,3,…,M；c＝1,2,3,…,C时，第m个空间特征提取模块输出的第c个通道的空间特征图Sresultbs,m,c和第m-1×C+c-1层的隐状态hm-1×C+c-1经过所述第m-1×C+c个的门控循环单元的处理，输出第m-1×C+c层的时序特征ym-1×C+c以及隐状态hm-1×C+c；从而得到时序特征提取层的输出结果Tresult＝{y1,y2,…,yt,…,yM×C}；将所述时序特征提取层的输出结果Tresult输入所述全连接大层中，依次通过fc层全连接层的异常分类后，得到所述第bs个训练样本Xbs的预测结果Probs，且Probs＝{Probs,1,Probs,2,…,Probs,b,…,Probs,B}，其中，Probs,b表示第bs个训练样本Xbs表现为第b类异常的概率；从而由所述一组数据的BS个心电散点图样本经过所述多模态神经网络模型的处理后，得到BS个心电散点图样本的预测结果Pro＝{Pro1,Pro2,…,Probs,…,ProBS}；步骤3.3、利用梯度下降法对所述心电散点图异常识别分类模型进行训练，并计算如式1所示的交叉熵损失函数值Loss，使得模型参数值往损失函数值最小化的方向上进行优化，得到优化后的心电散点图异常识别分类模型； 式1中，Ybs,b表示第bs个训练样本Xbs标签的编码值Ybs中第b位；步骤3.4、利用测试集对优化后的心电散点图异常识别分类模型进行测试，得到当前一组数据的准确率；步骤3.5、按照步骤3.2-步骤3.4的过程进行处理，当准确率不再上升时，停止训练，并得到最终的心电散点图异常识别分类模型；步骤4、利用Pan-Tompkins算法定位待分析的心电数据的R峰位置，并根据定位的R峰位置绘制待分析的RR间期心电散点图；步骤5、将所述待分析的RR间期心电散点图进行归一化处理后输入最终的心电散点图异常识别分类模型中进行分类识别，从而得到识别结果Proz＝{Proz1,Proz2,…,Prozb,…,ProzB}，其中，Prozb表示待分析的RR间期心电散点图的异常类型为第b类异常的概率，并将概率最大的异常类型作为待分析的心电数据的异常类型。

全文数据：

权利要求：

百度查询： 合肥工业大学 一种基于多模态神经网络的心电散点图异常识别分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD