[发明专利]一种结合医疗领域知识的可解释心律失常分类方法

权利要求书

1.一种结合医疗领域知识的可解释心律失常分类方法，其特征在于，包括数据预处理模块、深度神经网络分类模块、基于规则的领域知识模块、联合训练模块、和可解释报告模块；

所述深度神经网络分类模块，包括三种卷积块A、B和C，其中卷积块A包括1个一维卷积层、1个批归一化（BN）层、1个ReLU层，用于接收输入心电信号并进行降维；卷积块B采用残差连接，每个块包括2个BN层、2个一维卷积层、1个Dropout层和1个SE（Squeeze-and-Excitation）模块，用于提取心电信号的特征；卷积块C包括1个一维卷积层和1个ReLU层；分类层包括一个全局平均池化(Global Average Pooling，GAP)层和SoftMax层；

所述基于规则的领域知识模块，根据心律失常领域知识构建领域知识库，其中心律失常医疗知识表示为，，其中R_l为一阶逻辑规则，C_l表示输入心电信号序列后所提取的医学病理特征的析取或者合取，y_l表示分类的类别；为该规则的置信度，其中每个规则R_l的所有实例基准置信度（grounding confidence）的数学期望为1；通过t-范数对每条医疗知识规则进行编码：

其中A_i表示第i个医学病理特征，i=1…,m；

所述联合训练模块，具体步骤包括：

输入：经过数据预处理的固定长度的训练数据集，完整长度的原始心电信号训练集，N为样本总数量；

步骤4.1：初始化深度神经网络分类模块的网络参数θ，初始化超参数π；

步骤4.2：对每个小批次样本子集，进行迭代，对每个迭代周期t：

S1：深度神经网络分类模块输入固定长度的训练样本数据，获得该样本的心律失常分类预测结果；

S2：领域知识模块输入完整长度的原始心电信号训练集，通过计算医学病理特征C_l，选择适当的规则R_l，根据该规则的软逻辑编码，计算该规则的实例基准置信度λ_l (C_l)；

S3：使用KL散度(Kullback-Leibler Divergence) 来测量两个模块预测之间的差异：，训练目标是最小化KL散度；

用下述公式对深度神经网络分类模块的参数θ进行更新，直至网络收敛：

;

其中π是校准两个项影响的参数，为交叉熵损失函数；

所述可解释报告生成模块，构建一个固定报告模板，包括分类结果和分类理由两个部分；其中分类结果为联合训练模型的最终分类结果，分类理由将领域知识所触发的分类规则文字化，结合医疗领域知识库，在语义层面上解释每一个分类结果所采用的医疗知识规则，从而产生可信的分类报告。