[发明专利]一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法

说明书

本发明公开了一种基于CycleGAN和BiLSTM神经网络的心率失常类别检测,是按如下步骤进行：步骤1：多导联心电信号数据样本的预处理：1.1、心电信号采集；1.2、心电信号去噪处理；1.3、心电信号归一化处理；1.4、多导联的心电信号样本的生成；步骤2：利用CycleGAN（循环生成对抗网络)对预处理后的训练数据库2进行数据扩充；步骤3：心博异常检测：3.1、构建BiLSTM神经网络；3.2、BiLSTM神经网络的训练过程；3.3、分类评估。本发明涉及心电图异常检测技术领域。该种基于CycleGAN和BiLSTM神经网络方法的多导联心律失常检测方法，解决了上述存在的样本不均衡问题，使好的深度学习模型呈现出更好的表现结果。

技术领域

本发明涉及心电图异常检测技术领域，具体为一种基于CycleGAN和 BiLSTM神经网络方法的心博异常检测方法。

背景技术

心律失常指的是由于各种原因导致心脏激动的形成或传导障碍，使整个或部分心脏的活动频率过快或过慢，节律不规则。临床上通常根据电生理对心律失常进行分类，由于心脏结构复杂，因此，心律失常种类也很多。科学研究表面，我国每年约有54万人死于心脏性猝死，近九成猝死原因是心律失常。由此可知，心律失常对人体的危害是非常大的。

目前心电图在心律失常检测方面，具有准确率高、价格实惠、无副作用等特点，是临床最常用的检查手段之一。常见的心电图分析系统通常先借助计算机辅助诊断(computer aided diagnosis,CAD)得到初步的结果，再由心电医生归并、校正得出最终结论。在CAD中，心博(一个心动周期或一次心跳)分析是心律失常分析的基础。心博识别的准确度，极大地影响了后续人工分析的效率。这使得采用计算机对心电信号进行智能诊断带来了很大障碍。不平衡问题是指训练集中某一个类的样本数量远超过其他类的数量。数量过多的类被称为多数类，其他类被称为少数类。以著名的MIT-BIH心律失常数据集为例，当心电信号被处理成心拍段落之后，其中N类别的心拍样本数量达到Q类别心拍样本的8000倍以上，达到F类别心拍样本的100倍以上。因此，我们将N类称为多数类，其他类别称为少数类。在医学诊断领域中，将少数类样本(即异常样本)错误分类成多数样本(正常样本)会延迟最佳治疗时间，其代价远高于将多数类(正常样本)错分成少数类(异常样本)。此外，大多数机器学习算法都假定在平衡的数据上进行训练所得的，高度倾斜的训练数据会使学习到的算法更偏向于多数类。如何根据心电数据的特性，来克服不平衡的训练数据对分类问题所造成的影响，是我们需要解决的关键问题。

随着人工智能技术的发展，目前心律失常的检测面临着两个挑战：特征提取中，传统方法对于多类别分类性能比较低，一些深度学习算法虽然加强了特征表示，但忽略了特征时序性和信息间的流通性。其次，深度学习模型多为数据驱动模型，即研究者需要提供大量训练样本作为模型的支持。但是现实情况中采集到的绝大部分心电信号属于正常信号，而相对的每种心率异常的心电信号数据较为稀少，与正常心电信号的比例严重失衡。同时由于测试病人的生理机能、运动状态、用药情况、测试环境的不同，心电信号难以保证是来自同一数据分布的。因此使得原本就不均衡的样本变得更不均衡。因而会导致即使模型的学习能力很好，但实际表现的结果并不是很理想。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于CycleGAN和BiLSTM神经网络方法的多导联心律失常检测方法，解决了上述存在的样本不均衡问题，使好的深度学习模型呈现出更好的表现结果。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：一种基于CycleGAN 和BiLSTM神经网络方法的心博异常检测方法，具体包括以下步骤：

步骤1：多导联心电信号数据样本的预处理；