[发明专利]基于深度卷积神经网络的ECG分类系统与方法

说明书

本发明涉及医学图像处理领域，公开了一种基于深度卷积神经网络的ECG分类系统与方法，解决如何提高ECG分类准确性的技术问题，包括数据采集模块、数据预处理模块、ECG分类模块与分类结果显示模块；所述数据预处理模块用于对原始ECG信号进行降噪和心跳分割，将降噪后的ECG信号分割成无数个心跳，相邻两个心跳作为一个样本送至ECG分类模块；所述ECG分类模块为通过样本集与focal loss函数迭代训练完成后的深度卷积神经网络，具备对样本进行分类的能力；Focal loss函数解决了类别不平衡问题。本发明能够提高ECG的分类性能，总体准确率、平均F1‑score、AUC分别达到98.65%、75.08%、99.48%。

技术领域

本发明涉及医学图像处理领域，尤其涉及ECG图像分类技术领域。

背景技术

心血管疾病(Cardiovascular disease，CVD)是威胁人类健康的主要疾病之一，心电图(Electrocardiogram,ECG)是检查和诊断心血管疾病的常用方法。ECG是心脏搏动过程中产生的生物电变化在体表形成微弱电反应，并通过电位波形图呈现出来。由于ECG具有诊断可靠、便捷、无创等优势，在临床上普遍使用ECG作为诊断心电异常的重要依据。心电异常诊断，需要经验丰富的医生肉眼观察和诊断ECG的特征信息，其结果较为准确，但人体每分钟有60～100个心动周期，心电数据量较大。若持续人工筛查非常耗时、耗力，且误诊率和漏诊率较高。在ECG诊断技术中，ECG分类技术是最重要的研究目标。因此，心电图的精确分类对风险评估对及时干预心血管疾病具有重要意义。

在医学数据中，特别是ECG数据，由于正常样本的数量往往多于疾病样本，数据类别极不平衡。数据的类别平衡性较差时，大部分观测结果为正常样本，不能为模型提供学习的好处。此外，正常样本会占据训练的主导地位，导致分类器更倾向于拥有大量样本的类别。改善数据的不平衡性一般有两种解决方案，方案一采用上采样，复制数据量较少类，直到和其他类数量一致为止，扩大了数据规模，增加了机器的计算负担。方案二采用下采样，即在训练过程中减少较大类的训练样本，直到所有类的样本数量一致为止，此方案会因丢失一些样本而损失掉部分有用信息。

发明内容

针对上述现有技术的不足，本发明提供一种基于深度卷积神经网络的ECG分类方法，解决如何提高ECG分类准确性的技术问题。

为解决上述问题，本发明的技术方案如下：一种基于深度卷积神经网络的ECG分类系统，包括数据采集模块、数据预处理模块、ECG分类模块与分类结果显示模块；

所述数据采集模块用于从心电监护设备终端读取原始ECG信号，并发送给数据预处理模块；

所述数据预处理模块用于对原始ECG信号进行降噪和心跳分割，将降噪后的ECG信号分割成无数个心跳，相邻两个心跳作为一个样本送至ECG分类模块；

所述ECG分类模块为通过样本集与focal loss函数迭代训练完成后的深度卷积神经网络，具备对样本进行分类的能力；所述样本集包含正样本与负样本，所述正样本是指诊断为心电正常的样本，所述负样本是指诊断为心电异常的样本；将ECG信号分割成若干心跳，相邻两个心跳作为一个样本，并且相邻两个心跳中的后一个心跳为目标心跳，针对目标心跳添加标签；

所述focal loss函数如下：

FL(p_j)＝-α(1-p_j)^γlog(p_j)；

式中，p_j表示深度卷积神经网络的全连接层中Softmax激活函数的输出，即样本所属类别的概率；α表示平衡因子，用来平衡正、负样本本身的比例不均，γ表示速率调节因子，用于调节样本权重降低的速率；

所述分类结果显示模块用于对ECG分类模块的分类结果进行显示。