CN115099275A - 一种基于人工神经网络的心律失常诊断模型的训练方法 - Google Patents

Abstract

本发明公开了一种基于人工神经网络的心律失常诊断模型的训练方法，涉及医学信号处理技术领域。使用训练数据集对预设深度学习模型进行N个epoch的训练，确定损失函数最小的最优epoch；每一epoch的损失函数，为训练数据集进行M次k折交叉训练验证得到的平均损失函数；使用最优epoch训练数据集对预设深度学习模型进行训练，得到目标心律诊断神经网络模型。上述方法通过M次k折交叉训练验证得到的平均损失函数，进而得到目标心律诊断神经网络模型，可以提高训练目标心律诊断神经网络模型的精确度和效率，对目标心律诊断神经网络模型进行一次验证，防止由于多个验证过程而导致信息泄露到模型中，降低模型的可靠性和泛化性能。

Description

一种基于人工神经网络的心律失常诊断模型的训练方法

技术领域

本发明涉及医学信号处理技术领域，具体涉及一种基于人工神经网络的心律失常诊断模型的训练方法。

背景技术

近年来，深度学习在心电分类中表现出良好的作用。目前流行的诊断心律失常的人工智能方法包括支持向量机(SVM)、深度学习(DL)等。基于人工智能的心电分类智能诊断系统可以有效降低专家主观不确定性，从而避免误诊。传统的计算机辅助心电人工智能诊断算法主要包括三个步骤:数据预处理、特征提取和心电分类。然而，深度学习中全自动特征提取的高能力使传统ML中的关键步骤心电图心跳诊断变得更加容易。深度学习是一系列的表示层，带有自动搜索过程，以更好的数据表示，这些层通过人工神经网络的训练过程学习，有助于自动提取特征和学习数据表示。最近的一项研究表明，基于深度学习的心律失常诊断比专家手工分类的准确率和效率更高。

但是目前基于深度学习模型的心律失常诊断模型存在以下问题：泛化性不高，精确度和效率无法取得一个很好的平衡点。

发明内容

本发明的目的就在于解决上述背景技术的问题，而提出一种基于人工神经网络的心律失常诊断模型的训练方法。

本发明的目的可以通过以下技术方案实现：

本发明实施例提供了一种基于人工神经网络的心律失常诊断模型的训练方法，所述方法包括:

获取带标注的历史心律数据集，将所述历史心律数据集划分为训练数据集和验证数据集；所述标注为历史心律数据集中心率数据的心电节律类型；

使用所述训练数据集对预设深度学习模型进行N个epoch的训练，确定损失函数最小的epoch，作为最优epoch；每一epoch的损失函数，为所述训练数据集进行M次k折交叉训练验证得到的平均损失函数；其中，N和M为预设值；

使用所述最优epoch对所述预设深度学习模型进行初始化，使用所述训练数据集对初始化后的所述预设深度学习模型进行训练，得到目标心律诊断神经网络模型；

使用所述验证数据集对所述目标心律诊断神经网络模型进行一次验证，将所述验证数据集输入所述目标心律诊断神经网络模型，得到所述目标心律诊断神经网络模型的性能评估结果。

可选地，所述预设深度学习模型包括11层，分别是3层可分离通道卷积、1个归一化层、1个最大池化层、1个双向LSTM层、1个展平层、1个Dropout层、1个密集连接层、1个批归一化层、1个Softmax层。

可选地，所述预设深度学习模型的3层可分离通道卷积使用ReLu激活函数，每个层依次有32个、64个和128个大小为3的核；最大池化层的参数为2*1和步长为2；双向LSTM层为128单元；展平层、Dropout层、密集连接层、批归一化层和Softmax层组成预测模型；密集连接层有512个神经元，使用ReLu激活函数；Dropout层的50％特性设置为零；所述预设深度学习模型使用Adam优化器和分类交叉熵损失函数进行编译。

可选地，获取带标注的历史心律数据集，将所述历史心律数据集划分为训练数据集和验证数据集，包括：

获取带标注的历史心律数据集，对所述历史心律数据集进行重新采样，得到第一数据集；采样频率为125Hz；

将所述第一心电信号的振幅归一化，使用预设长度的窗口函数将所述第一数据集中的心率数据分割为预设长度的数据片段，得到第二数据集；

根据一阶导数求出所述第二数据集中所有局部极值的集合，取归一化极值的0.9作为R候选峰；

取所有R-R时间间隔的中位数作为该时间窗的名义心跳周期T，每个R-R峰值的最后周期确定为1.2T，其余填充零点以达到相同的长度，得到第三数据集；

按照预设比例随机将第三数据集中的心率数据划分为训练数据集和验证数据集。

可选地，使用所述训练数据集对预设深度学习模型进行N个epoch的训练，确定损失函数最小的epoch，作为最优epoch，包括：

使用所述训练数据集对预设深度学习模型进行N个epoch的训练；

针对每一次epoch的训练，将所述训练数据集划分为M个目标训练子集，使用M个目标训练子集对预设深度学习模型进行M次k折交叉训练验证，得到该epoch的M次k折交叉训练验证的平均损失函数；

针对第i折训练验证，将M个目标训练子集中的第i目标训练子集作为验证子集，其余M-1个目标训练子集作为训练子集，根据每一训练子集每种心电节律类型的数目，计算每一训练子集的训练权重，根据M-1个训练子集的训练权重，得到第i折训练验证的损失函数；第i折训练验证为M次k折交叉训练验证中的任意一次；

确定平均损失函数最小的epoch，作为最优epoch。

可选地，训练子集的训练权重的计算公式为：

其中，Weight表示训练权重，n_samples表示训练子集中训练样本的数量，n_classes表示心电节律的类型数目，np.bincount(y)表示训练子集中第y种心电节律的类型的数目。

可选地，使用所述训练数据集对预设深度学习模型进行N个epoch的训练，具体包括：

使用所述训练数据集对预设深度学习模型进行N个epoch的训练，计算每个epoch的自适应学习率，若如果连续5个epoch的损失函数不降低，则将下一次epoch的自适应学习率降低到当前自适应学习率的一半。

本发明实施例提供了一种基于人工神经网络的心律失常诊断模型的训练方法，该方法包括:获取带标注的历史心律数据集，将历史心律数据集划分为训练数据集和验证数据集；标注为历史心律数据集中心率数据的心电节律类型；使用训练数据集对预设深度学习模型进行N个epoch的训练，确定损失函数最小的epoch，作为最优epoch；每一epoch的损失函数，为训练数据集进行M次k折交叉训练验证得到的平均损失函数；其中，N和M为预设值；使用最优epoch对预设深度学习模型进行初始化，使用训练数据集对初始化后的预设深度学习模型进行训练，得到目标心律诊断神经网络模型；使用验证数据集对目标心律诊断神经网络模型进行一次验证，将所述验证数据集输入所述目标心律诊断神经网络模型，得到所述目标心律诊断神经网络模型的性能评估结果。

上述方法通过M次k折交叉训练验证得到平均损失函数，进而得到目标心律诊断神经网络模型，可以提高训练目标心律诊断神经网络模型的精确度和效率，对目标心律诊断神经网络模型进行一次验证，防止由于多个验证过程而导致信息泄露到模型中，降低模型的可靠性和泛化性能。

附图说明

下面结合附图对本发明作进一步的说明。

图1为本发明实施例提供的一种基于人工神经网络的心律失常诊断模型的训练方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明实施例提供了一种基于人工神经网络的心律失常诊断模型的训练方法，参见图1，图1为本发明实施例提供的一种基于人工神经网络的心律失常诊断模型的训练方法的流程图，该方法可以包括以下步骤:

S101，获取带标注的历史心律数据集，将历史心律数据集划分为训练数据集和验证数据集。

S102，使用训练数据集对预设深度学习模型进行N个epoch的训练，确定损失函数最小的epoch，作为最优epoch。

S103，使用最优epoch对预设深度学习模型进行初始化，使用训练数据集对初始化后的预设深度学习模型进行训练，得到目标心律诊断神经网络模型。

S104，使用验证数据集对目标心律诊断神经网络模型进行一次验证，将验证数据集输入目标心律诊断神经网络模型，得到目标心律诊断神经网络模型的性能评估结果。

标注为历史心律数据集中心率数据的心电节律类型。

每一epoch的损失函数，为训练数据集进行M次k折交叉训练验证得到的平均损失函数；其中，N和M为预设值。

基于本发明实施例提供的一种基于人工神经网络的心律失常诊断模型的训练方法，通过M次k折交叉训练验证得到的平均损失函数，进而得到目标心律诊断神经网络模型，可以提高训练目标心律诊断神经网络模型的精确度和效率，对目标心律诊断神经网络模型进行一次验证，防止由于多个验证过程而导致信息泄露到模型中，降低模型的可靠性和泛化性能。

一种实现方式中，根据AAMI EC57标准心电节律类型分为五种类型。

本发明实施例利用MIT-BIH心律失常数据库建立心电图分类模型。MIT-BIH心律失常数据库，每条记录收集约48例(男25例：女22例，年龄23-89岁)完整的30分钟2导联心电图(电极置于胸部以获得修改的II导联和V1导联)，采样频率为360Hz，另一个专家注释文件。

心律失常数据库包含多种心跳类型。本发明实施例根据ANSI/AAMI EC57标准，根据标注文件将心电心跳分为五组。参见表一，表一列出了五种心律的定义和规范，以及相应的标注。

表一

一种实现方式中，N和M为预设值，可以由技术人员根据实际情况进行设置，在此不作限定。例如可以将N和M分别设置为100和10。

在一个实施例中，预设深度学习模型包括11层，分别是3层可分离通道卷积、1个归一化层、1个最大池化层、1个双向LSTM层、1个展平层、1个Dropout层、1个密集连接层、1个批归一化层、1个Softmax层。

一种实现方式中，预设深度学习模型包括3个深度可分卷积神经网络(CNN)模型，还包括双向长短时记忆(LSTM)模型，有效地结合了CNN的速度和递归神经网络(RNN)的顺序敏感性。

在一个实施例中，预设深度学习模型的3层可分离通道卷积使用ReLu激活函数，每个层依次有32个、64个和128个大小为3的核；最大池化层的参数为2*1和步长为2；双向LSTM层为128单元；展平层、dropout层、密集连接层、批归一化层和Softmax层组成预测模型；密集连接层有512个神经元，使用ReLu激活函数；dropout层的50％特性设置为零；预设深度学习模型使用Adam优化器和分类交叉熵损失函数进行编译。

一种实现方式中，dropout层的50％特性设置为零，可以防止过拟合。

在一个实施例中，步骤S101可以包括以下步骤：

步骤一，获取带标注的历史心律数据集，对历史心律数据集进行重新采样，得到第一数据集，采样频率为125Hz。

步骤二，将第一心电信号的振幅归一化，使用预设长度的窗口函数将第一数据集中的心率数据分割为预设长度的数据片段，得到第二数据集。

步骤三，根据一阶导数求出第二数据集中所有局部极值的集合，取归一化极值的0.9作为R候选峰。

步骤四，取所有R-R时间间隔的中位数作为该时间窗的名义心跳周期T，每个R-R峰值的最后周期确定为1.2T，其余填充零点以达到相同的长度，得到第三数据集。

步骤五，按照预设比例随机将第三数据集中的心率数据划分为训练数据集和验证数据集。

一种实现方式中，通常历史心律数据集为48个的时长为30min的连续心率信号，通过窗口函数可以将历史心律数据集分割为预设长度的片段，然后再进行归一化，预设长度可以由技术人员根据经验进行设置，在此不作限定，例如，预设长度可以为10s。可以得到很多预设长度的心电数据片段作为第二数据集。第二数据集的心电信号中有个很明显的QRS信号，一般R峰最高，需要将第二数据集的心电数据片，按照R-R时间间隔中位数的1.2倍的大小段继续分割，得到第三数据集。

在一个实施例中，步骤S102可以包括以下步骤：

步骤一，使用所述训练数据集对预设深度学习模型进行N个epoch的训练。

步骤二，针对每一次epoch的训练，将所述训练数据集划分为M个目标训练子集，使用M个目标训练子集对预设深度学习模型进行M次k折交叉训练验证，得到该epoch的M次k折交叉训练验证的平均损失函数。

步骤三，针对第i折训练验证，将M个目标训练子集中的第i目标训练子集作为验证子集，其余M-1个目标训练子集作为训练子集，根据每一训练子集每种心电节律类型的数目，计算每一训练子集的训练权重，根据M-1个训练子集的训练权重，得到第i折训练验证的损失函数；第i折训练验证为M次k折交叉训练验证中的任意一次；

步骤四，确定平均损失函数最小的epoch，作为最优epoch。

一种实现方式中，在训练数据集的损失函数中嵌入训练权重，可以消除心电心跳类型不平衡导致的分类偏差。

在一个实施例中，训练子集的训练权重的计算公式为：

其中，Weight表示训练权重，n_samples表示训练子集中训练样本的数量，n_classes表示心电节律的类型数目，np.bincount(y)表示训练子集中第y种心电节律的类型的数目。

一种实现方式中，根据AAMI EC57标准心电节律类型分为五种类型，即n_classes＝5。

在一个实施例中，使用训练数据集对预设深度学习模型进行N个epoch的训练，具体包括：

使用训练数据集对预设深度学习模型进行N个epoch的训练，计算每个epoch的自适应学习率，若如果连续5个epoch的损失函数不降低，则将下一次epoch的自适应学习率降低到当前自适应学习率的一半。

在一个实施中，为了评估模型的性能，构建如下参数：

其中，TP为真阳性数，TN为真阴性数，FP和FN分别为假阳性数和假阴性数。Acc表示准确度、Sen表示灵敏度、PPV表示阳性率、F1指数为综合Sen和PPV二者的性能指标。

表二

将本发明实施例提供的基于人工神经网络的心律失常诊断模型的训练方法在MIT-BIH心律失常数据库上进行训练和测试。参见表二，表二为本发明实施例提供的一种基于人工神经网络的心律失常诊断模型的训练方法得到的目标心律诊断神经网络模型的性能评估表。该方法得到的模型平均准确率为99.33％，灵敏度为93.67％，阳性预测值为89.85％，F1评分为91.65％。

以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (7)

1.一种基于人工神经网络的心律失常诊断模型的训练方法，其特征在于，所述方法包括:

获取带标注的历史心律数据集，将所述历史心律数据集划分为训练数据集和验证数据集；所述标注为历史心律数据集中心率数据的心电节律类型；

使用所述训练数据集对预设深度学习模型进行N个epoch的训练，确定损失函数最小的epoch，作为最优epoch；每一epoch的损失函数，为所述训练数据集进行M次k折交叉训练验证得到的平均损失函数；其中，N和M为预设值；

使用所述最优epoch对所述预设深度学习模型进行初始化，使用所述训练数据集对初始化后的所述预设深度学习模型进行训练，得到目标心律诊断神经网络模型；

使用所述验证数据集对所述目标心律诊断神经网络模型进行一次验证，将所述验证数据集输入所述目标心律诊断神经网络模型，得到所述目标心律诊断神经网络模型的性能评估结果。

2.根据权利要求1所述的一种基于人工神经网络的心律失常诊断模型的训练方法，其特征在于，所述预设深度学习模型包括11层，分别是3层可分离通道卷积、1个归一化层、1个最大池化层、1个双向LSTM层、1个展平层、1个Dropout层、1个密集连接层、1个批归一化层和1个Softmax层。

3.根据权利要求2所述的一种基于人工神经网络的心律失常诊断模型的训练方法，其特征在于，所述预设深度学习模型的3层可分离通道卷积使用ReLu激活函数，每个层依次有32个、64个和128个大小为3的核；最大池化层的参数为2*1和步长为2；双向LSTM层为128单元；展平层、Dropout层、密集连接层、批归一化层和Softmax层组成预测模型；密集连接层有512个神经元，使用ReLu激活函数；Dropout层的50％特性设置为零；所述预设深度学习模型使用Adam优化器和分类交叉熵损失函数进行编译。

4.根据权利要求1所述的一种基于人工神经网络的心律失常诊断模型的训练方法，其特征在于，获取带标注的历史心律数据集，将所述历史心律数据集划分为训练数据集和验证数据集，包括：

获取带标注的历史心律数据集，对所述历史心律数据集进行重新采样，得到第一数据集；采样频率为125Hz；

将所述第一心电信号的振幅归一化，使用预设长度的窗口函数将所述第一数据集中的心率数据分割为预设长度的数据片段，得到第二数据集；

根据一阶导数求出所述第二数据集中所有局部极值的集合，取归一化极值的0.9作为R候选峰；

取所有R-R时间间隔的中位数作为该时间窗的名义心跳周期T，每个R-R峰值的最后周期确定为1.2T，其余填充零点以达到相同的长度，得到第三数据集；

按照预设比例随机将第三数据集中的心率数据划分为训练数据集和验证数据集。

5.根据权利要求1-4任意一项所述的一种基于人工神经网络的心律失常诊断模型的训练方法，其特征在于，使用所述训练数据集对预设深度学习模型进行N个epoch的训练，确定损失函数最小的epoch，作为最优epoch，包括：

使用所述训练数据集对预设深度学习模型进行N个epoch的训练；

针对每一次epoch的训练，将所述训练数据集划分为M个目标训练子集，使用M个目标训练子集对预设深度学习模型进行M次k折交叉训练验证，得到该epoch的M次k折交叉训练验证的平均损失函数；

针对第i折训练验证，将M个目标训练子集中的第i目标训练子集作为验证子集，其余M-1个目标训练子集作为训练子集，根据每一训练子集每种心电节律类型的数目，计算每一训练子集的训练权重，根据M-1个训练子集的训练权重，得到第i折训练验证的损失函数；第i折训练验证为M次k折交叉训练验证中的任意一次；

确定平均损失函数最小的epoch，作为最优epoch。

6.根据权利要求5所述的一种基于人工神经网络的心律失常诊断模型的训练方法，其特征在于，训练子集的训练权重的计算公式为：

其中，Weight表示训练权重，n_samples表示训练子集中训练样本的数量，n_classes表示心电节律的类型数目，np.bincount(y)表示训练子集中第y种心电节律的类型的数目。

7.根据权利要求5所述的一种基于人工神经网络的心律失常诊断模型的训练方法，其特征在于，使用所述训练数据集对预设深度学习模型进行N个epoch的训练，具体包括：

使用所述训练数据集对预设深度学习模型进行N个epoch的训练，计算每个epoch的自适应学习率，若如果连续5个epoch的损失函数不降低，则将下一次epoch的自适应学习率降低到当前自适应学习率的一半。

Images