[发明专利]标签相关性引导特征融合的心电图多分类预测系统与方法

说明书

本发明公开了一种标签相关性引导特征融合的心电图多分类预测系统与方法。系统包括：标签粗糙分类模块，用于根据历史数据中心电图异常标签出现频率，确定心电图标签第一优先级组以及剩余心电图标签集合；标签相关性分析模块与标签精细分类模块，用于进行标签相关性分析，将剩余心电图标签集合划分为多个心电图标签优先级组；原始特征提取模块，用于利用神经网络主体结构对输入的心电图进行特征提取得到原始特征张量；心电图多分类预测模块，用于进行心电图分类。利用本发明，大大提高了心电图分类准确率。

技术领域

本发明涉及心电图技术领域，具体涉及一种标签相关性引导特征融合的心电图多分类预测系统与方法。

背景技术

心电图(ECG)是临床医学中记录心脏电活动的便捷工具，多年来已被广泛使用，至今仍被认为是诊断和指导心血管疾病的重要方法。使用心电图，医生可以了解患者发生各种异常的风险，从心律不齐到急性冠状动脉综合征。因此，ECG自动分析在临床中已变得越来越重要，并且在临床环境中也可以作为医师解释的重要辅助手段。但是，现有的许多ECG自动分类算法仍显示出很大的误差。

在过去的几十年中，有许多研究人员专注于从不同任务中检测ECG异常，以促进ECG在临床实践中的应用。以前有关ECG异常检测的许多工作都集中在单方面任务上：(1)ECG数据预处理，例如降噪和心跳分割；(2)特征提取，例如小波变换和形态描述符；(3)ECG分类，例如基于规则的分类和基于CNN的分类。以上这些任务都是具有挑战性的。尽管提出了许多算法在降低ECG噪声和分割ECG方面取得了较为理想的结果，但在ECG分类方面仍有很大的改进空间。

由于缺乏适当的数据并且计算能力有限，传统的基于规则的方法显示出较差的性能。深度学习能够识别原始数据并从模式中学习有用的功能而无需进行大量数据预处理的能力，使其特别适合于解释ECG数据。Fan等《Multiscaled Fusion of Deep ConvolutionalNeural Networks for Screening Atrial Fibrillation From Single Lead Short ECGRecordings》提出了一种通过CNNs多尺度融合的房颤疾病辅助判断算法。Acharya等在《Application of Deep Convolutional Neural Network for Automated Detection ofMyocardial Infarction Using ECG Signals》提出了使用11层卷积神经网络(CNN)检测到心肌梗塞并获得了最新技术。在这些工作中，心电图检测算法专注于单一疾病的辅助判断。在其他研究工作中，将ECG信号视为时间序列，将ECG数据分类视为多标签任务。Rajpurkar等在《Cardiologist-Level Arrhythmia Detection with Convolutional NeuralNetworks》提出了一种用于检测心律失常的34层CNN，并报告了心脏病专家对14种心律失常进行分类的准确性。Yao等在《Multi-class Arrhythmia detection from 12-leadvaried-length ECG using Attention-based Time-Incremental Convolutional NeuralNetwork》设计了一种基于注意力的时间增量CNN，该CNN实现了ECG信号中信息的时空融合并检测了9种心律不齐。但是，在不考虑标签相关性的情况下，这些工作中使用的模型仅限于数据集平衡的多类任务。因此，这些模型的小样本数据准确性以及处理更复杂数据的能力受到限制。

发明内容

本发明的目的在于针对上述现有技术存在的缺陷，提出一种标签相关性引导特征融合的心电图多分类预测系统与方法。

一种标签相关性引导特征融合的心电图多分类预测系统，该系统包括：

标签粗糙分类模块，用于根据历史数据中心电图异常标签出现频率，确定心电图标签第一优先级组以及剩余心电图标签集合；