基于单导联心电图数据和深度学习的房颤检测系统

本发明涉及深度学习和生物医学的，尤其是指一种基于单导联心电图数据和深度学习的房颤检测系统。

背景技术：

1、心房颤动(房颤)是一种常见的心律失常，影响全球约3000万人。及时检测房颤有助于进行有效的医疗管理和预防重大疾病。心电图作为一种有效的工具，长期以来被用于检测心脏。

2、目前基于心电图的房颤自动检测方法主要分为两类：1)基于特征提取和传统机器方法的系统：通过提取心电图的波形特征：例如p波波长和幅值、rr间期等特征，并使用支持向量机、随机森林、xgboost等机器方法，进行分类和识别。2)基于深度学习方法的系统：直接把心电图输入卷积神经网络、循环神经网络等深度学习模型中，模型能够自动学习到信号中有用的特征，甚至是人类难以直接观察到的特征，最后分类输出结果，通常会具有更高的准确率。总体而言，目前的基于深度学习的系统具有无需手工特征提取，准确率高等优势，但同时也有部分不足：目前流行的系统通常只能检测房颤和正常两类心电图，而实际上的心电图有更多的类别，需要系统能提供更准确的信息；目前的流行的基于卷积神经网络和循环神经网络的系统难以学习到长心电图的全局特征，但房颤同时具有不规则rr间期这一全局特征；另一方面，目前的系统大都不具备结果可解释性，无法对模型所作决策提供证据支持。

技术实现思路

1、本发明的目的在于克服现有技术的缺点与不足，提出了一种基于单导联心电图数据和深度学习的房颤检测系统，引入了能够充分学习心电图中长程信息的transformer模块，从而增强了网络的智能检测能力，同时，为检测结果提供了一定程度的可解释性说明，增强了检测结果的可信度。

2、为实现上述目的，本发明所提供的技术方案为：基于单导联心电图数据和深度学习的房颤检测系统，包括：

3、数据导入模块，用于读取心电图数据，并对数据进行预处理，得到标准化的、采样率统一的数据；

4、深度神经网络模块，用于处理经过数据导入模块导入的数据，该深度神经网络模块包括卷积神经网络模块、位置编码、transformer模块和分类模块，其中，所述卷积神经网络模块用于提取局部特征，所述位置编码用于编码序列顺序信息，所述transformer模块用于提取和处理全局特征，所述分类模块用于根据特征输出检测结果；

5、深度神经网络训练模块，利用数据导入模块导入的数据和反向传播算法，对深度神经网络模块进行训练，得到参数最优的深度神经网络作为房颤检测网络；

6、检测推理模块，使用房颤检测网络对导入的单导联心电图数据进行检测，并提供支撑检测结果的解释。

7、进一步，所述数据导入模块执行步骤如下：

8、1)从本地读取单导联心电图数据，包括csv、xlsx、wfdb和mat格式，以及心电图的采样率；

9、2)对读取的数据进行预处理：首先，把读取的心电图统一重采样为150hz，与训练数据对齐；然后对心电图进行z-score标准化，以消除个体性异常差异，最后得到标准化的心电图数据。

10、进一步，所述卷积神经网络模块由1维卷积神经网络和残差连接组成，用于提取输入的局部特征，得到含有局部特征的特征序列；

11、所述位置编码给卷积神经网络模块输出的特征编码位置信息，包含以下两步：

12、1)首先通过正弦和余弦函数计算位置编码矩阵：

13、epe(pos,2k)＝sin(pos/100002k/d)

14、epe(pos,2k+1)＝cos(pos/100002k/d)

15、式中，epe表示位置编码矩阵，epe(pos,2k)表示位置编码矩阵pos行、2k列的元素的取值，epe(pos,2k+1)表示位置编码矩阵pos行、2k+1列的元素的取值；d表示位置编码矩阵包含的列的数量；

16、2)把输入序列投射到位置编码隐空间，并与位置编码矩阵相加：

17、pe(x)＝xwe+epe

18、式中，x表示输入序列，pe表示完整的位置编码操作，we表示可训练的投影矩阵；

19、所述transformer模块包含6个transformer层，用于提取序列的全局特征，每个transformer层包括以下三个部分：

20、a、多头自注意力

21、多头自注意力由多个自注意力机制构成，每个自注意力机制首先产生q、k、v三个向量，q表示为查询向量query，k表示为关键向量key，v表示为数值向量value，并根据q和k产生注意力矩阵，最后注意力矩阵和v相乘，产生输出：

22、[q,k,v]＝x[wq,wk,wv]

23、

24、式中，wq、wk、wv表示可训练的参数，sa表示单个自注意力机制，表示用于加速计算的缩放参数，dk表示q、k、v的维度；最后，通过拼接和投影的方式把多个自注意力机制的输出融合，得到多头自注意力：

25、msa(x)＝[sa1(x)；sa2(x)；...；sa8(x)]wmsa

26、式中，msa表示多头自注意力，sa1(x),sa2(x),...,sa8(x)表示第1个到第8个自注意力机制，wmsa表示可训练的参数矩阵；

27、b、多层感知机

28、经过多头自注意力处理后，还需要经过一个多层感知机，引入非线性：

29、mlp(x)＝relu(xw1+b1)w2+b2

30、式中，mlp表示多层感知机，w1、b1、w2、b2表示线性层的可训练参数，relu表示非线性激活函数；

31、c、层标准化

32、当序列经过多头自注意力和多层感知机时，通过层标准化ln来进行每个样本的特征归一化：

33、

34、式中，表示在特征维度的均值和标准差，γ'、β'表示可训练参数；

35、每一个transformer层的输出通过以下方式计算：

36、x′l＝ln(msa(xl-1)+xl-1)

37、xl＝ln(mlp(x′l)+x′l)

38、式中，l表示层的编号，l＝1,2,...,6；xl表示第l层的输出，xl-1表示第l-1层的输出，x′l表示第l层产生的中间值；

39、最后一个transformer层的输出表示整个transformer模块的输出：

40、transformer(x)＝x6

41、所述分类模块包括以下三个部分：

42、a、全局平均池化，用于在时间维度进行平均，把特征的时间维度去除从而获得统一的特征表示；

43、b、线性层，用于把特征映射到类别数目的空间，以实现分类；

44、c、softmax层，用于把输出转换成概率，获得每一种类别的概率；

45、整个分类模块的前向传播为：

46、classification(x)＝softmax(gap(x)wc+bc)

47、式中，classification表示分类模块，gap表示全局平均池化，wc、bc为线性层的可训练参数，最终通过softmax输出各个类别的概率。

48、进一步，所述深度神经网络训练模块执行步骤如下：

49、1)使用数据导入模块对训练数据进行加载和预处理：

50、首先导入和预处理公开的cinc 2017作为训练数据集，该数据集包含“正常”、“房颤”、“其它”、“噪声”四种类别的心电图数据；其中，“房颤”指被专家标注为心房颤动的心电图数据，“正常”表示被专家标注为正常的心电图数据，“噪声”表示因测量方式不正确或干扰而导致噪声多、质量低的心电图，“其它”表示其它异常情况；多种类别的训练数据使得系统能检测出房颤以外的其它异常；

51、2)正向传播：

52、导入一批心电图数据，进入深度神经网络模块，得到当前模块的输出：

53、

54、式中，f(·)表示深度神经网络模块，表示深度神经网络模块的预测值，为各个样本被分为各个类别的概率，x′为输入的心电图；

55、3)用focal loss计算损失：

56、

57、式中，l表示损失，r表示可调节因子，通过调节该因子能够提高对小样本类别的检测能力；

58、4)使用反向传播算法更新深度神经网络模块中的参数，得到参数最优的深度神经网络作为房颤检测网络。

59、进一步，所述检测推理模块执行步骤如下：

60、1)使用数据导入模块导入待检测的心电图数据；

61、2)使用房颤检测网络推理得到检测结果：

62、首先，利用房颤检测网络计算各个类别的概率输出：

63、

64、然后取各分量中最大值的类别作为检测结果：

65、

66、式中，out表示房颤检测网络输出的心电图所属的检测类别；

67、3)计算可解释性的权重，使得步骤2)结果更可信：

68、首先取出推理过程中各层的注意力矩阵，然后迭代计算输出对输入的总注意力矩阵，并在列的维度上平均，得到最终输出关于输入各个位置的注意力，最后上采样对齐原心电图的长度，得出系统对原输入心电图各个位置的关注程度，用数值表示，值越大，表示系统的决策越关注该位置。

69、本发明与现有技术相比，具有如下优点与有益效果：

70、1、本发明系统除了检测房颤以外，还能检测出其它异常情况。

71、2、本发明设计的神经网络结构，结合了局部特征和全局特征，具有更高的检测准确率。

72、3、本发明设计的神经网络结构，对心电图的长度没有要求，可以处理多种不同长度的心电图。

73、4、本发明可以用于一般的十二导联心电图数据，也可以用于处理可穿戴设备中产生的单导联心电图数据，适应性广。

74、5、本发明相比与一般的深度学习方法，能给出深度神经网络的具体检测依据，具有可解释性。