[发明专利]基于生成式对抗网络技术的心电图生成及分类方法

说明书

本发明公开了一种基于生成式对抗网络技术的心电图生成及分类方法，通过GAN生成式对抗网络训练心电曲线得到生成模型和判别模型，发掘和整合更多的心电曲线数据，其中，判别模型采用CNN卷积神经网络结构，对使生成的心电曲线更接近真实，通过RBF神经网络训练心电曲线得到分类模型，通过生成的心电曲线对分类模型进行测试，以使分类模型可以在临床研究中使用，实现精准医疗和智能医疗。

技术领域

本发明涉及医疗文本的数据挖掘领域，具体涉及一种基于生成式对抗网络的心电图生成及分类方法。

背景技术

心电图(ECG或者EKG)是利用心电图机从体表记录心脏每一心动周期所产生的电活动变化图形的技术。心电图被认为是反映人体心脏变化、诊断心脏疾病的通用技术。心电图是临床最常用的检查之一，应用广泛。应用范围包括：记录人体正常心脏的电活动、帮助诊断心律失常、帮助诊断心肌缺血、心肌梗死及部位、诊断心脏扩大及肥厚、判断药物或电解质情况对心脏的影响、判断人工心脏起搏状况等。

人工智能在近年来得到了快速的发展，在医学实践和研究中应用人工智能的新兴研究成果，可以实现智能医疗和精准医疗。智能医疗不仅可以帮助医生等医学实践者做出更精准的判断，而且可以根据病患者的体征、化验等数据做出预测，进而可以采取一些有效的预防措施。例如，有研究人员成功地根据心电图的监测数据提前预测心肌梗死的发生。

在此之前首先要进行机器学习，机器学习需要大量的心电曲线进行训练以得到决策模型，再对模型进行效果测试后才能在临床中应用实践。但数据的匮乏限制了智能医疗的发展。故而，如何有效生成各种不同的心电图数据，以用于机器学习的模型训练，是本领域亟待解决的问题。

MIT-BIH是由美国麻省理工学院提供的研究心律失常的数据库。目前国际上公认的可作为标准的心电数据库有三个，分别是美国麻省理工学院提供的MIT-BIH数据库，美国心脏学会的AHA数据库以及欧洲ST-T心电数据库。其中MIT-BIH数据库近年来应用比较广泛。MIT-BIH为了节省文件长度和存储空间，使用自定义的格式。单个心电记录由以下三部分组成：(1) 头文件[.hea]，存储方式ASCII码字符；(2)数据文件[.dat]，按二进制存储，每三个字节存储两个数，一个数12bit；(3)注释文件[.atr]，按二进制存储。此外，需要注意的是，[.dat]二进制文件统一采用212格式进行存储。212格式是针对两个信号的数据库记录，这两个信号的数据交替存储，每三个字节存储两个数据，也就是一个数据占12位。这两个数据分别采样自信号0和信号1，信号0的采样数据取自第一字节对(16位)的最低12位，信号1的采样数据由第一字节对的剩余4位(作为组成信号1采样数据的12位的高4 位)和下一字节的8位(作为组成信号1采样数据的12位的低8位)共同组成。

生成对抗网络的核心是生成模型(G)和对抗模型(D)，对抗模型也称为判别模型。以生成心电图为例，生成模型是一个用于生成心电图的网络，它接收一个人为初始化的随机噪声z，通过这个噪声生成心电图，记做G(z)。对抗模型是一个判别网络，它的作用是判别一张心电图是不是“真实的”。它的输入参数是x，x可以理解为一张心电图，输出D(x)代表x为真实心电图的概率，如果为1，就代表它是真实的心电图，而输出为0，就代表不可能是真实的心电图。在训练过程中，生成网络G的目标就是尽量生成真实的心电图去欺骗判别网络D。而D的目标就是尽量把G生成的图片和真实的图片分别开来。因此，G和D构成了一个动态的“博弈过程”。

Ian J.Goodfellow证明了该神经网络的收敛性，即在最理想的状态下，G 可以生成足以“以假乱真”的心电图G(z)。对于D来说，它难以判定G生成的心电图究竟是不是真实的，此时D(G(z))＝0.5。

发明内容

本发明的发明目的是提供一种基于生成式对抗网络的心电图生成及分类方法。

为实现上述发明目的，本发明提供以下的技术方案：一种基于生成式对抗网络的心电图生成及分类方法，包括如下步骤：