本发明属于医疗数据处理技术领域，尤其是涉及一种基于转换技术的深度学习心电图数据分类方法及装置。
背景技术：
心电图波形数据采集进行心电图分类往往是医生诊断心脏类疾病的重要辅助手段。通常心电图波形数据的采集是在医院或体检中心进行的，存在检测不便，检测频率低等特点，由于医生的人工标注的速度较慢，不能及时的把心电图分类结果告知病患，缺乏实时性和便利性。近年来，随着移动用户端设备的普及和深度学习为代表的神经人工智能算法的发展，利用人工智能算法进行实时心电检测成为了可能。同时，由于心电图各种波形之间存在着复杂的联合关系，且掺杂着大量的噪声数据，因此使用传统方法的准确率不如使用深度学习的方法。
目前大多数基于数据挖掘和人工智能的算法都是利用聚类和逻辑回归算法，这些算法不具有数据敏感性，不能根据数据的特点进行对应的特征提取。
技术实现要素：
本发明所要解决的技术问题是提供一种准确性高、基于注意力机制、基于转换技术的深度学习心电图数据分类方法及装置。为此，本发明采用以下技术方案：
一种基于转换技术的深度学习心电图数据分类方法，包括以下步骤:
s1、数据采集和数据预处理，
采集包含多个心动周期的心电序列数据，并对心电序列数据进行预处理；
s2、划分心动周期，
对步骤s1所得的心电序列数据利用小波变换进行划分，并依据7:2:1的比例对判断标注的心电序列数据进行训练集、测试集和验证集的划分，对训练集、验证集和测试集的数据进行数据预处理处理；
s3、进行深度学习模型构建，
在步骤s2所得的训练集上进行模型训练，在验证集中进行验证并选择超参数，最终在测试集上进行模型测试，以得到验证结果。
在采用上述技术方案的基础上，本发明还可采用以下进一步的技术方案：
所述步骤s1还包括将心电序列数据按照55个分类进行判断标注，所述55个分类分别对应55种心脏疾病。
所述步骤s1中的预处理采用z-score方法进行归一化处理，所述归一化处理后的输出数据在0-1之间。其中，z-score的公式为：
所述步骤s2中的训练集用于模型的训练，所述测试集用于超参数的选择，所述验证集用于模型鲁棒性的测试。
所述分类方法还包括：步骤s4、进行深度学习模型训练，利用cross-entropy函数引导模型训练，直至模型收敛。
cross-entropy即交叉熵，是shannon信息论中一个重要概念，主要用于度量两个概率分布间的差异性信息。
进一步地，本发明同时还提供以下技术方案：
基于转换技术的深度学习心电图数据分类装置，包括：
存储器，用于存储计算机的可执行指令、和在执行所述可执行指令时使用或产生的数据；
处理器，用于执行存储器存储的计算机可执行指令，与所述存储器通信连接；
所述分类装置用于实现上述的方法。
与现有技术相比，本发明具有以下有益效果：
本发明采用注意力机制，在心电数据分类的过程中，自动提取并聚焦于心电图数据中的关键点，进行心电数据分类。通过对12导联的心电图数据进行处理，并融合处理附加信息，通过深度学习方法计算之间的相关性，对心电数据进行分类。同时，本发明的框架基于深度学习算法，将心电数据划分为多个心动周期，计算每个心动周期和附加信息之间的相关性，利用注意力机制分析心电数据中的重要数据，进行心电分类。
附图说明
图1为本发明基于转换技术的深度学习心电图数据分类方法及装置的模型训练流程图。
图2为本发明基于转换技术的深度学习心电图数据分类方法及装置的注意力头结构图。
图3为本发明基于转换技术的深度学习心电图数据分类方法及装置的transformer模型结构图。
具体实施方式
为了进一步理解本发明，下面结合具体实施方式对本发明提供的基于转换技术的深度学习心电图数据分类方法及装置进行具体描述，但本发明并不限于此，该领域技术人员在本发明核心指导思想下做出的非本质改进和调整，仍然属于本发明的保护范围。
步骤一：数据采集与数据预处理
数据来源：本发明基于包含多个心动周期，观察记录时长较长的心电序列数据。通过心电设备采集并计算获得12导联心电数据。我们利用常见的心电数据处理方式，将12导联数据串联成一维数据e。同时，获得一维的附加信息i，包括体重、身高、年龄、性别等。
数据预处理：利用zscore方法对e和i分别进行预处理，其中zscore的公式为：
其中，μ和σ分别是数据列的均值和方差。通过zscore数据预处理，得到归一化后的一维数据
步骤二：利用小波变换划分心动周期
心动周期的划分先进行心电信号的qrs波群的检测(信号强度大，特征明显)，再检测p、t波。
使用二次样条函数作为小波基，对心电信号数据做二进离散小波变换。心电信号经小波变换之后，其主要能量分布在前5个尺度的子信号带上。qrs波群所产生的模极大值在23和24尺度上表现最为明显，故在这两个尺度上面检测qrs波群。在这两个尺度中，分别采用正阈值s1和负阈值s2检测小波模极大值-极小值对，再定位正极大值-负极小值对之间的过零点位置，用时移进行修正，得到校正后的r波峰值点位置。确定r波峰值点位置后，在21和22子信号带上检测qrs波群的起止点。至此，检测出qrs波群。
p、t波的能量主要集中在尺度24和25子信号带上，但是基线漂移、伪迹等早证在25尺度上比较严重，故选择在尺度24上检测p、t波。先检测t波，因为在生理学生t波产生于qrs波群之后，并且绝大多数t波是相对其定点近似对称，故检测24尺度上的模极大值对之间的过零点即为t波波峰，而t波的起点和终点对应于模极大值对的起点和终点。p波类似，生理学上是先产生p波再形成qrs波群，故以r波波峰点为基准，在其前一段时间窗口内在24尺度上找出相应的模极值点对，此模极值点对之间的过零点以及模极大值对所对应波形的起点和终点，进行相应的时移修正之后就可以得到p波的波峰、起点和终点。
至此，得到p、qrs、t三个波段的波峰、起点和终点。利用p波起点和t波终点，确定一个心动周期，将数据列e划分为若干个et，上标t标注心动周期的顺序。
步骤三：进行深度学习模型构建
以往的模型都是以cnn和rnn为基础的，这些模型是直接整个序列进行计算，忽略了数据中的关键点，遗忘了数据中的关键信息。传统的数据分析方法和医学研究表明，心电数据中包含大量的噪声，且数据中的部分关键点包含了其中的绝大多数信息。因此，本发明利用transformer的注意力机制进行心电图分类的研究。
如图2所示，利用注意力模块进行注意力矩阵的计算：
其中，we，wi和we分别对应三个全连接学习层。同之前的transformer不同，我们去掉了数据位置建模，这是由于单个心动周期中统一特点的数据波出现的顺序是相同的，因此刻意建模顺序位置关系在本模型中就不再需要。
在本发明中transformer的编码层和解码层各有2个，每个编码层包括一个注意力模块和一个全连接模块，而解码层包括两个注意力头和一个普通的计算模块。普通计算模块如下公式所示：
ffn(x)＝max(0，xw1 b1)w2 b2
残差连接用于每个注意力层和全连接中。通过如图3中transformer结构计算，每个et获得一个输出ot。对于ot序列，按顺序排列后送入多层感知机中进行分类，得到分类结果。其中，transformer和多层感知机可以进行端到端训练，对于每个心动周期的数据可以采用并行计算处理，加速过程。
步骤四：进行深度学习模型训练
同其他分类任务相同，本分类任务利用cross-entropy函数引导模型训练，直至模型收敛。
虽然本发明已通过参考优选的实施例进行了图示和描述，但是，本专业普通技术人员应当了解，在权利要求书的范围内，可作形式和细节上的各种各样变化。
1.一种基于转换技术的深度学习心电图数据分类方法，其特征在于包括以下步骤:
s1、数据采集和数据预处理，
采集包含多个心动周期的心电序列数据，并对心电序列数据进行预处理；
s2、划分心动周期，
对步骤s1所得的心电序列数据利用小波变换进行划分，并依据7:2:1的比例对判断标注的心电序列数据进行训练集、测试集和验证集的划分，对训练集、验证集和测试集的数据进行数据预处理处理；
s3、进行深度学习模型构建，
在步骤s2所得的训练集上进行模型训练，在验证集中进行验证并选择超参数，最终在测试集上进行模型测试，以得到验证结果。
2.根据权利要求1所述的一种基于转换技术的深度学习心电图数据分类方法，其特征在于所述步骤s1还包括将心电序列数据按照55个分类进行判断标注，所述55个分类分别对应55种心脏疾病。
3.根据权利要求1所述的一种基于转换技术的深度学习心电图数据分类方法，其特征在于所述步骤s1中的预处理采用z-score方法进行归一化处理，所述归一化处理后的输出数据在0-1之间。
4.根据权利要求1所述的一种基于转换技术的深度学习心电图数据分类方法，其特征在于所述步骤s2中的训练集用于模型的训练，所述测试集用于超参数的选择，所述验证集用于模型鲁棒性的测试。
5.根据权利要求1所述的一种基于转换技术的深度学习心电图数据分类方法，其特征在于所述分类方法还包括：步骤s4、进行深度学习模型训练，利用cross-entropy函数引导模型训练，直至模型收敛。
6.一种基于转换技术的深度学习心电图数据分类装置，包括：存储器，用于存储计算机的可执行指令、和在执行所述可执行指令时使用或产生的数据，处理器，用于执行存储器存储的计算机可执行指令，与所述存储器通信连接，其特征在于所述分类装置用于实现如权利要求1-3中任意一项所述的方法。
技术总结