基于深度神經(jīng)網(wǎng)絡(luò)的心電圖智能診斷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于深度神經(jīng)網(wǎng)絡(luò)的心電圖智能診斷方法，更具體的說(shuō)，尤其涉 及一種基于大樣本異常心電圖數(shù)據(jù)訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)分類器，可以根據(jù)樣本所含異常種 類進(jìn)行自主學(xué)習(xí)，構(gòu)建特征空間從而達(dá)到智能診斷心電圖目的的基于深度神經(jīng)網(wǎng)絡(luò)的心電 圖智能診斷方法。
【背景技術(shù)】
[0002] 心臟是人體的重要器官，為人體循環(huán)系統(tǒng)提供動(dòng)力，把血液運(yùn)送至身體各處，其健 康與否直接影響人體各項(xiàng)功能。心電圖是心臟電周期活動(dòng)的直觀表現(xiàn)，心臟專家可以通過(guò) 心電圖獲取有關(guān)心臟的大量信息，因此心電圖在臨床上具有不可替代的重要作用。但是診 斷心電圖需要十分豐富的臨床經(jīng)驗(yàn)，同時(shí)耗費(fèi)心臟專家大量的精力。心電圖自動(dòng)分析算法 的發(fā)明能夠協(xié)助心臟專家對(duì)心臟進(jìn)行診斷，減輕醫(yī)生負(fù)擔(dān)。
[0003] 現(xiàn)有的心電圖分析算法主要依靠特征識(shí)別手段，通過(guò)模板匹配法、形態(tài)學(xué)運(yùn)算、小 波分析等方法對(duì)心電圖信號(hào)進(jìn)行解析，識(shí)別出心電異常在心電信號(hào)中表現(xiàn)出的特征，然后 構(gòu)建特征空間，使用不同的模式識(shí)別算法依據(jù)特征空間對(duì)心電圖進(jìn)行分類，以此給出心電 圖分析結(jié)果。但是對(duì)心電信號(hào)的解析和構(gòu)建特征空間需要心臟專家的經(jīng)驗(yàn)知識(shí)，工程師不 僅需要掌握這些精深的醫(yī)學(xué)知識(shí)，還必須遴選特征空間，耗費(fèi)大量人力，而且效果往往不夠 理想。
[0004] 深度神經(jīng)網(wǎng)絡(luò)可以自主學(xué)習(xí)數(shù)據(jù)，抽象數(shù)據(jù)特征，能夠建立復(fù)雜的特征空間，可以 很好地解決上述心電圖分析算法中的問(wèn)題。
[0005] 深度神經(jīng)網(wǎng)絡(luò)是近年來(lái)在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上發(fā)展起來(lái)的一種機(jī)器學(xué)習(xí)方法，它 通過(guò)多神經(jīng)元多處理層對(duì)數(shù)據(jù)進(jìn)行學(xué)習(xí)，逐步抽象地表示數(shù)據(jù)，從而發(fā)現(xiàn)隱藏在數(shù)據(jù)中的 復(fù)雜結(jié)構(gòu)。后向傳播（BP)算法的發(fā)明極大提高了深度神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率，使其在商業(yè)和 學(xué)術(shù)領(lǐng)域得到了廣泛的認(rèn)可。深度神經(jīng)網(wǎng)絡(luò)在對(duì)象識(shí)別、自然語(yǔ)言處理等諸多問(wèn)題上都有 突破性的進(jìn)展，尤其是在大數(shù)據(jù)時(shí)代，保證了深度學(xué)習(xí)有可靠的數(shù)據(jù)來(lái)源。
[0006] 深度神經(jīng)網(wǎng)絡(luò)由三部分組成，第一層為輸入層，最后一層為輸出層，中間各層統(tǒng)稱 為隱藏層。除輸入層之外，每一層的輸入均來(lái)自上一層的輸出，數(shù)據(jù)由輸入層經(jīng)過(guò)各個(gè)隱藏 層處理之后在輸出層輸出結(jié)果。網(wǎng)絡(luò)中的每個(gè)點(diǎn)成為一個(gè)神經(jīng)元，對(duì)應(yīng)一個(gè)激活函數(shù)，在實(shí) 際應(yīng)用中通常采用傳統(tǒng)的Sigmoid函數(shù)，如Logistic函數(shù)、雙曲正切函數(shù)，以及近年來(lái)更常 用的校正線性單元ReLU。
[0007] 神經(jīng)網(wǎng)絡(luò)的目標(biāo)函數(shù)又稱作成本函數(shù)，訓(xùn)練神經(jīng)網(wǎng)絡(luò)的目的就是優(yōu)化各個(gè)神經(jīng)元 之間的權(quán)重，不斷減小目標(biāo)函數(shù)的過(guò)程。常用目標(biāo)函數(shù)有二次成本函數(shù)、交叉熵成本函數(shù)。 其中交叉熵成本函數(shù)作為目標(biāo)函數(shù)的效果一般優(yōu)于二次成本函數(shù)。
[0008] 求解神經(jīng)網(wǎng)絡(luò)目標(biāo)函數(shù)的最優(yōu)解需要使用梯度下降法（GradientDescent)，而BP算法是求解目標(biāo)函數(shù)關(guān)于多層神經(jīng)網(wǎng)絡(luò)權(quán)值的梯度的通用算法，通過(guò)對(duì)求導(dǎo)鏈?zhǔn)椒▌t的應(yīng) 用，可以知道目標(biāo)函數(shù)對(duì)于某層輸入的梯度可以通過(guò)對(duì)下一層輸入的梯度求得。因此，從網(wǎng) 絡(luò)的輸出層到輸入層，反復(fù)利用上述法則，就可以求解目標(biāo)函數(shù)對(duì)每一層上面的輸入的梯 度。
[0009] 梯度下降法在訓(xùn)練數(shù)據(jù)過(guò)大的情況下效率降低，一個(gè)較好的解決方法是隨機(jī)梯度 下降法（StochasticGradientDescent)，在每一次訓(xùn)練過(guò)程中，隨機(jī)選取部分樣本，不僅 能夠提高效率，同時(shí)也能夠增強(qiáng)整個(gè)網(wǎng)絡(luò)的泛化能力。。

【發(fā)明內(nèi)容】

[0010] 本發(fā)明為了克服上述技術(shù)問(wèn)題的缺點(diǎn)，提供了一種基于深度神經(jīng)網(wǎng)絡(luò)的心電圖智 能診斷方法。
[0011] 本發(fā)明的基于深度神經(jīng)網(wǎng)絡(luò)的心電圖智能診斷方法，其特別之處在于，通過(guò)以下 步驟來(lái)實(shí)現(xiàn)：a).信號(hào)歸一化處理，在MIT-BIH心率失常數(shù)據(jù)庫(kù)中，選取數(shù)據(jù)庫(kù)中具有更高 信噪比的預(yù)處理之后的信號(hào)作為訓(xùn)練神經(jīng)網(wǎng)絡(luò)使用，利用公式（1)對(duì)選取的信號(hào)進(jìn)行歸一 化處理：
[0012]
[0013] 其中，S為原始信號(hào)，S'為歸一化之后的信號(hào)，Min(X)為對(duì)樣本空間進(jìn)行作用，返 回樣本空間內(nèi)數(shù)值最小的信號(hào)；Max(X)為對(duì)樣本空間進(jìn)行作用，返回樣本空間內(nèi)數(shù)值最大 的信號(hào)；b).確定訓(xùn)練樣本空間X，心電圖信號(hào)經(jīng)過(guò)公式⑴的歸一化處理后，所有信號(hào)數(shù)值 S G [0, 1]，之后將每個(gè)信號(hào)序列按順序劃分為長(zhǎng)度為10000的輸入向量x，舍棄長(zhǎng)度不足 10000的信號(hào)組，最后得到滿足輸入要求的訓(xùn)練樣本空間X:
[0014] X= {x; |x;G[0, 1] m, i=1, 2, . . . , m=10000}；
[0015] 每個(gè)訓(xùn)練樣本x,對(duì)應(yīng)的心電圖異常種類向暈y,為：
[0016] Li%」
[0017] 其中，10項(xiàng)心電異常種類如下表所示：
[0018]
[0019] 所有的71就形成了訓(xùn)練樣本空間X對(duì)應(yīng)的期望輸出空間Y;c).確定驗(yàn)證樣本空 間，采用與步驟a)和b)相同的方法，確定出檢驗(yàn)用的驗(yàn)證樣本空間X'和對(duì)應(yīng)的驗(yàn)證樣本 期望輸出空間Y' ;d).確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)Ll、Ln分別為神經(jīng)網(wǎng)絡(luò)的輸入層、輸出層，L1 至Ln之間的隱藏層分別為L(zhǎng)2、L3、…、L(n-l) ;L1、L2、…、Ln層中的神經(jīng)元數(shù)目依次遞 減，并設(shè)其分別為nl、n2、…、nn;nl<n2 0??<nn;e).確定激活函數(shù)和目標(biāo)函數(shù)，選擇 如公式（3)所示的Logistic函數(shù)作為神經(jīng)元的激活函數(shù)；
[0020]
[0021] 選擇如公式（4)所示的交叉熵成本函數(shù)為目標(biāo)函數(shù)；
[0022]
[0023] 其中，x為輸入心電圖信號(hào)向量，w為神經(jīng)網(wǎng)絡(luò)權(quán)值，b為神經(jīng)網(wǎng)絡(luò)偏置項(xiàng)，n為訓(xùn) 練樣本的樣本容量，y為x對(duì)應(yīng)的心電圖異常向量，a為神經(jīng)網(wǎng)絡(luò)輸出向量；f).訓(xùn)練神經(jīng)網(wǎng) 絡(luò)，從訓(xùn)練樣本空間X中選取n個(gè)訓(xùn)練樣本，在訓(xùn)練過(guò)程中采用隨機(jī)梯度下降法計(jì)算梯度， 采用步驟c)中確定出的驗(yàn)證樣本空間X'和對(duì)應(yīng)的驗(yàn)證樣本期望輸出空間Y'進(jìn)行檢驗(yàn)， 當(dāng)正確率超過(guò)98%時(shí)終止訓(xùn)練，此時(shí)得到權(quán)值w和偏置項(xiàng)b確定的神經(jīng)網(wǎng)絡(luò)；獲取如公式 (5)所示的心電圖異常種類與心電圖信號(hào)存在的函數(shù)關(guān)系式：
[0024] y=T(x；w,b) (5)；
[0025] g).心電圖信號(hào)的自動(dòng)分析，假設(shè)有一待分析心電圖信號(hào)，格式化之后的序列為 I,將安帶入公式（7)即可得到分析結(jié)果羅。.
[0026] 本發(fā)明的基于深度神經(jīng)網(wǎng)絡(luò)的心電圖智能診斷方法，為了進(jìn)一步增強(qiáng)神經(jīng)網(wǎng)絡(luò)的 泛化能力，提高對(duì)心電圖異常分類的準(zhǔn)確率，解決過(guò)擬合問(wèn)題，采用公式（6)中的正則化交 叉熵成本函數(shù)，代替步驟e)中公式（4)所示的交叉熵成本函數(shù)：
[0027]
(6)
[0028] 其中，X> 〇,是正則化參數(shù)；
[0029] 本發(fā)明的基于深度神經(jīng)網(wǎng)絡(luò)的心電圖智能診斷方法，步驟d)中所述的L1至Ln之 間的隱藏層數(shù)目為9個(gè)，輸入層、9個(gè)隱藏層和輸出層中神經(jīng)元的數(shù)目如下表所示：
[0030]
[0031]
[0032] 本發(fā)明的有益效果是：本發(fā)明的基于深度神經(jīng)網(wǎng)絡(luò)的心電圖智能診斷方法，以 MIT-BIH心率失常數(shù)據(jù)庫(kù)中的數(shù)據(jù)為樣本，建立訓(xùn)練樣本空間X和驗(yàn)證樣本空間X'，采用 Logistic函數(shù)作為神經(jīng)元的激活函數(shù)、交叉熵成本函數(shù)為目標(biāo)函數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練， 并利用驗(yàn)證樣本空間X'對(duì)訓(xùn)練出的神經(jīng)網(wǎng)絡(luò)進(jìn)行檢驗(yàn)，當(dāng)成功率超過(guò)設(shè)定閾值時(shí)則認(rèn)為 訓(xùn)練出的神經(jīng)網(wǎng)絡(luò)已滿足要求。對(duì)采集的待分析心電圖信號(hào)分析時(shí)，利用訓(xùn)練出的神經(jīng)網(wǎng) 絡(luò)即可得出分析結(jié)果，即使診斷醫(yī)生不具有十分豐富的臨床經(jīng)驗(yàn)，也可獲取精確的診斷結(jié) 果，無(wú)需耗費(fèi)心臟專家大量的精力，減輕醫(yī)生負(fù)擔(dān)。
【附圖說(shuō)明】
[0033] 圖1為本發(fā)明中所采用的深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖；
[0034] 圖2為本發(fā)明中訓(xùn)練神經(jīng)網(wǎng)絡(luò)的流程圖；
[0035] 圖3為本發(fā)明中使用經(jīng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)的示意圖。
【具