[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

说明书

本发明公开一种结合医疗领域知识的可解释心律失常分类方法，在实现心律失常精确分类的同时，对分类结果做出合规合理的解释。该方法包括数据预处理步骤、深度神经网络分类模型、领域知识模型、联合训练模型、和可解释报告模型。该方法通过建立领域知识特征对应的判断规则，结合深度神经网络联合训练。该方法的有益效果在于：1）针对当前深度学习模型仅利用数据驱动的技术，集成医疗领域知识，在领域知识的指导下对神经网络的参数进行微调，使得深度神经网络的训练更加领域相关；2）采用了可解释技术，形成对每种心律失常的检测原因并对异常位置进行定位，医生可直接对异常位置进行进一步分析，节省医生时间，为医生进行临床诊断提供辅助。

技术领域

本发明涉及生物医学信息处理领域，尤其涉及一种结合了深度神经网络和医疗领域知识的可解释的心律失常分类方法。

背景技术

中国有2.9亿心律不齐患者，而且患病率每年都在不断上升。心脏病的死亡率比癌症和其他疾病高32%，早期发现和预防对降低死亡率、提高生活质量具有重要意义。心电图（Electrocardiogram，ECG）是一种非侵入式的诊断心脏异常的检测方法，近年来，利用深度神经网络从ECG信号发现心脏异常的潜在风险得到了深入研究，有些项目在特定领域取得了比人类专家更好的表现，例如Andrew Ng领导的斯坦福大学研究小组用卷积神经网络（CNN）建立了14种心脏疾病的分类模型，并发现机器学习模型能比心脏病专家更好地从12导联心电图中定位早搏起源。因此，利用深度学习技术，从ECG信号中自动发现和检测心脏疾病，对降低患者死亡率、提高生活质量具有重要意义，也能在目前医患比例失衡的情况下，降低医生工作负担，大大提高医疗效率。

目前产业界存在多种心电信号智能诊断的可穿戴式产品，但大多数产品仅作为日常监测工具，而无法成为医生进行医疗诊断的依据辅助，原因在于，在临床决策领域，神经神经网络的可解释性不够。纯数据驱动的神经网络模型仅能得到分类结果，而无法对结果做出医学解释，导致分类结果不可信。因此需要开发一种既能自动进行心律失常的检测和分类，且能够对分类结果做出医学病理解释的可信分类模型，才能为医生诊断提供辅助，提高医生的效率。

本发明介绍了一种结合了领域知识的深度神经网络（DNN）。DNN使深度神经网络能够捕捉心电数据的统计模式进行分类，领域知识能够充分利用临床知识，对分类结果进行病理解释。领域知识注入到神经网络能够减少分类模型的不可信问题，减少分类误差，而不牺牲准确性。

发明内容

本发明所要解决的技术问题是，提供一种结合了深度学习模型和医疗领域知识的心电信号分类模型，在实现心律失常精确分类的同时，对分类结果做出合规合理的医疗解释。

技术特点如下：1）结合医疗领域知识，建立分类与微调一体化的深度神经网络，利用领域知识改良神经网络的分类结果；2）输出解释报告,形成对每种心律失常的检测原因并对异常位置进行定位，医生可直接对异常位置进行进一步分析，节省医生时间，为医生进行临床诊断提供辅助。

为达到上述目的，本发明创造的技术方案是这样实现的：

本方法包括数据预处理步骤、深度神经网络分类模型、领域知识模型、联合训练模型、和可解释报告模型。

所述数据预处理模块，包括去噪、心拍分割、信号裁剪和归一化；其中去噪步骤用于消除基线漂移等干扰；心拍分割先检测R峰，再通过在R峰前采样和后采用固定数量的样本，来获得固定长度（例如10秒）的心拍信号；信号裁剪将过长信号进行裁剪，或者不足长度的信号用0补足，并且去除原始心电信号中受导线脱落等导致的无效信号；归一化则将每个通道的信号进行零-均值规范化。则输入心电信号序列表示为：X =R^m×d，其中d为导联数量（d=1,2,…,12），m为每个导联的样本数。