[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN108573227B - 心电图数据质量评价方法及装置 - Google Patents

心电图数据质量评价方法及装置 Download PDF

Info

Publication number
CN108573227B
CN108573227B CN201810313286.7A CN201810313286A CN108573227B CN 108573227 B CN108573227 B CN 108573227B CN 201810313286 A CN201810313286 A CN 201810313286A CN 108573227 B CN108573227 B CN 108573227B
Authority
CN
China
Prior art keywords
electrocardiogram data
encoder
electrocardiogram
variational self
clustering
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810313286.7A
Other languages
English (en)
Other versions
CN108573227A (zh
Inventor
邓开峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Ikinoop Technology Co ltd
Original Assignee
Shenzhen Ikinoop Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Ikinoop Technology Co ltd filed Critical Shenzhen Ikinoop Technology Co ltd
Priority to CN201810313286.7A priority Critical patent/CN108573227B/zh
Publication of CN108573227A publication Critical patent/CN108573227A/zh
Application granted granted Critical
Publication of CN108573227B publication Critical patent/CN108573227B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Signal Processing (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种心电图数据质量评价方法及装置，涉及一种数据处理技术领域，主要目的在于解决现有采集的心电数据质量参差不齐，降低心电图监测结果的确定效率，浪费大量人力资源进行排查的问题。主要技术方案：获取待评价的心电图数据，并通过预先训练好的变分自编码器对所述心电图数据进行采样，得到心电图数据的隐变量参数；将所述隐变量参数作为群体心电样本特征进行降维处理；通过无监督聚类算法对降维处理后的群体心电样本特征进行聚类，并计算聚类后得到的样本特征到聚类中心点的距离，将所述距离作为预设质量评分公式的计算参数进行计算，得到所述心电图数据的质量评价结果。

Description

心电图数据质量评价方法及装置
技术领域
本发明涉及一种数据处理技术领域，特别是涉及一种心电图数据质量评价方法及装置。
背景技术
随着电子科技的不断发展，智能电子设备已经广泛应用至各个领域中，如便携式心电仪可以随时随地的为用户进行心电图检测。
目前，现有在使用单导心电图机、便携式心电仪、带有心电检测模块的智能穿戴设备等进行心电图检测时，由于没有专业医生或护士的指导，用户在家自行检测时存在较大的随意性，如身体姿势不对、测量中出现晃动、电磁干扰、设备放置位置不当等情况，会导致测量出的心电数据质量参差不齐，当利用这些质量差、价值低的心电数据时，会使得医生、咨询师浪费大量时间查看、分辨这些无用数据，降低心电图监测结果的确定效率，并且，工程师在利用这些无用数据进行挖掘之前还需要人工排查清洗，浪费大量的人力资源。
发明内容
有鉴于此，本发明提供一种心电图数据质量评价方法及装置，主要目的在于解决现有采集的心电数据质量参差不齐，降低心电图监测结果的确定效率，浪费大量人力资源进行排查的问题。
依据本发明一个方面，提供了一种心电图数据质量评价方法，包括：
获取待评价的心电图数据，并通过预先训练好的变分自编码器对所述心电图数据进行采样，得到心电图数据的隐变量参数，所述预先训练好的变分自编码为利用变分推断方式对心电图数据进行训练的神经网络模型；
将所述隐变量参数作为群体心电样本特征进行降维处理；
通过无监督聚类算法对降维处理后的群体心电样本特征进行聚类，并计算聚类后得到的样本特征到聚类中心点的距离，将所述距离作为预设质量评分公式的计算参数进行计算，得到所述心电图数据的质量评价结果。
进一步地，所述方法还包括：
利用预先存储的原始心电图数据对变分自编码器神经网络进行变分推断方式模型训练，得到变分自编码器；
判断所述变分自编码器的评估值是否符合预设评估条件，若符合，则将所述变分自编码器确定为训练好的变分自编码器。
进一步地，所述利用预先存储的原始心电图数据对变分自编码器神经网络进行变分推断方式模型训练，得到变分自编码器包括：
通过变分自编码器神经网络中的卷积下采样模块获取数据库中预先存储的原始心电图数据；
利用所述变分自编码器神经网络中的隐藏模块中的卷积层与池化层对所述原始心电图数据进行卷积池化采样编码，得到隐变量参数，所述编码为通过所述原始心电图数据的先验分布求解所述隐变量参数的后验分布；
利用所述变分自编码器神经网络中的反卷积上采样模块中的卷积层上采样后结合全连接层依次输送至softmax层中进行解码，得到还原心电图数据，所述解码为通过所述隐变量参数的先验分布求解所述还原心电图数据的后验分布；
利用预设的相似度函数对所述原始心电图数据及所述还原心电图数据计算相似度，作为训练好的变分自编码器的评估值。
进一步地，所述通过无监督聚类算法对降维处理后的群体心电样本特征进行聚类，并计算聚类后得到的样本特征到聚类中心点的距离，将所述距离作为预设质量评分公式的计算参数进行计算，得到所述心电图数据的质量评价结果包括：
通过Kmeans聚类算法对降维处理后群体心电样本特征进行聚类，并根据欧几里得距离计算聚类后得到的群体心电样本特征到聚类中心点的距离，将所述距离作为预设质量评分公式的计算参数进行计算，得到所述心电图数据的质量评价结果，所述预设质量评分公式为
Figure BDA0001622266620000021
x为所述距离。
进一步地，所述方法还包括：
若所述变分自编码器的评估值不符合预设评估条件，则重新执行获取数据库中预先存储的原始心电图数据的步骤，并通过迭代训练编码与解码的过程重新计算出训练变反自编码器的评估值。
依据本发明一个方面，提供了一种心电图数据质量评价装置，包括：
采样单元，用于获取待评价的心电图数据，并通过预先训练好的变分自编码器对所述心电图数据进行采样，得到心电图数据的隐变量参数，所述预先训练好的变分自编码为利用变分推断方式对心电图数据进行训练的神经网络模型；
降维单元，用于将所述隐变量参数作为群体心电样本特征进行降维处理；
计算单元，用于通过无监督聚类算法对降维处理后的群体心电样本特征进行聚类，并计算聚类后得到的样本特征到聚类中心点的距离，将所述距离作为预设质量评分公式的计算参数进行计算，得到所述心电图数据的质量评价结果。
进一步地，所述装置还包括：
训练单元，用于利用预先存储的原始心电图数据对变分自编码器神经网络进行变分推断方式模型训练，得到变分自编码器；
确定单元，判断所述变分自编码器的评估值是否符合预设评估条件，若符合，则将所述变分自编码器确定为训练好的变分自编码器。
进一步地，所述训练单元包括：
获取模块，用于通过变分自编码器神经网络中的卷积下采样模块获取数据库中预先存储的原始心电图数据；
编码模块，用于利用所述变分自编码器神经网络中的隐藏模块中的卷积层与池化层对所述原始心电图数据进行卷积池化采样编码，得到隐变量参数，所述编码为通过所述原始心电图数据的先验分布求解所述隐变量参数的后验分布；
解码模块，用于利用所述变分自编码器神经网络中的反卷积上采样模块中的卷积层上采样后结合全连接层依次输送至softmax层中进行解码，得到还原心电图数据，所述解码为通过所述隐变量参数的先验分布求解所述还原心电图数据的后验分布；
计算模块，用于利用预设的相似度函数对所述原始心电图数据及所述还原心电图数据计算相似度，作为训练好的变分自编码器的评估值。
进一步地，所述计算单元，具体用于通过Kmeans聚类算法对降维处理后群体心电样本特征进行聚类，并根据欧几里得距离计算聚类后得到的群体心电样本特征到聚类中心点的距离，将所述距离作为预设质量评分公式的计算参数进行计算，得到所述心电图数据的质量评价结果，所述预设质量评分公式为
Figure BDA0001622266620000041
x为所述距离。
进一步地，所述装置还包括：
执行单元，用于若所述变分自编码器的评估值不符合预设评估条件，则重新执行获取数据库中预先存储的原始心电图数据的步骤，并通过迭代训练编码与解码的过程重新计算出训练变反自编码器的评估值。
根据本发明的又一方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述心电图数据质量评价方法对应的操作。
根据本发明的再一方面，提供了一种终端，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述心电图数据质量评价方法对应的操作。
借由上述技术方案，本发明实施例提供的技术方案至少具有下列优点：
本发明提供了一种心电图数据质量评价方法及装置，首先获取待评价的心电图数据，并通过预先训练好的变分自编码器对所述心电图数据进行采样，得到心电图数据的隐变量参数，所述预先训练好的变分自编码为利用变分推断方式对心电图数据进行训练的神经网络模型，然后将所述隐变量参数作为群体心电样本特征进行降维处理，在通过无监督聚类算法对降维处理后的群体心电样本特征进行聚类，并计算聚类后得到的样本特征到聚类中心点的距离，将所述距离作为预设质量评分公式的计算参数进行计算，得到所述心电图数据的质量评价结果。与现有采集的心电数据质量参差不齐，降低心电图监测结果的确定效率，浪费大量人力资源进行排查相比，本发明实施例通过采用深度学习训练的变分自编码器可以较高的将高低质量的心电图数据区分开，对待进行评价的心电图数据具有强大的泛化拟合能力，无需人工排除低质量数据，节约人力资源，提高心电图数据在使用过程中的准确性，为分析或医护人员提高了更为有效的心电图数据。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种心电图数据质量评价方法流程图；
图2示出了本发明实施例提供的另一种心电图数据质量评价方法流程图；
图3示出了本发明实施例提供的一种变分自编码器的内部结构图；
图4示出了本发明实施例提供的利用变分自编码器得到的心电图数据质量评估流程图；
图5示出了本发明实施例提供的低质量心电图数据示意图；
图6示出了本发明实施例提供的高质量心电图数据示意图；
图7示出了本发明实施例提供的一种心电图数据质量评价装置框图；
图8示出了本发明实施例提供的另一种心电图数据质量评价装置框图；
图9示出了本发明实施例提供的一种终端示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供了一种心电图数据质量评价方法，如图1所示，所述方法包括：
101、获取待评价的心电图数据，并通过预先训练好的变分自编码器对所述心电图数据进行采样，得到心电图数据的隐变量参数。
其中，所述预先训练好的变分自编码为利用变分推断方式对心电图数据进行训练的神经网络模型。所述待评价的心电图数据为从单导心电图机、便携式心电仪、带有心电检测模块的智能穿戴设备等电子设备中传送至服务器中的心电图数据，例如，心电图数据为截取2秒以上任意长度的心电图片段数据，本发明实施例不做具体限定。所述利用预先训练好的变分自编码器对心电图数据进行采样，即是指对待评价的心电图数据利用训练好的变分自编码器，变分自编码器神经网络的隐藏模块中的卷积层与池化层进行卷积池化下采样，从而得到可以作为心电泛化特征的隐藏变量参数。
需要说明的是，变分自编码器可以通过变分自编码器神经网络进行构建，包括三个模块，分别为卷积下采样模块、隐藏模块、反巻积上采样模块，每个模块中包括数层结构。本发明实施例中，隐藏模块由N个串联的卷积层和池化层构成，以便在接收到心电图数据的输入传递来的心电图数据后，进行卷积池化采样，可以得到较高维次的隐变量参数，以便利用隐变量参数作为本实施例中可以进行评估心电图数据质量的与特征数据。
102、将所述隐变量参数作为群体心电样本特征进行降维处理。
对于本发明实施例，由于隐变量参数是较高维次的特征数据，为了简化计算过程中的数据计算，需要对高维次的隐变量参数进行降维。其中，降维处理可以为主成分分析PCA(Principal Component Analysis)，即是对隐变量参数在高维空间进行正交分解投影，降维成两大主成分，便于可视化与聚类距离度量。在降维处理的过程中，将群体PCA结果中的投影权重矩阵W保存，将新样本点的特征向量乘于投影权重矩阵的转置，得到和群体PCA相同的结果，计算公式为pca(x)＝xWT。
103、通过无监督聚类算法对降维处理后的群体心电样本特征进行聚类，并计算聚类后得到的心电样本特征到聚类中心点的距离，将所述距离作为预设质量评分公式的计算参数进行计算，得到所述心电图数据的质量评价结果。
对于本发明实施例，为了利用本实施例中预设质量评分公式对心电图数据的质量进行评估，需要对降维处理后的群体心电样本特征计算得到一个可以用于计算评价结果的参数。其中，为了将降维后的群体心电样本特征进行分类划分，所述无监督聚类算可以为Kmeans聚类方法，以确定出聚类中心点的坐标，再欧几里得距离计算各个心电样本特征点到聚类中心点的坐标，从而得到一个可以作为本实施例中进行质量评估的参数。
需要说明的是，由于心电样本特征到聚类中心点的欧几里得空间距离属于值域[0,+∞)的截断正态分布，且度量值没有上限，为了使用方便与数据接口规范化，需要将距离度量归一化到[0,1]范围，从而确定评价结果，本发明实施例对归一化的具体方式不做具体限定。
本发明提供了一种心电图数据质量评价方法，本发明实施例通过采用深度学习训练的变分自编码器可以较高的将高低质量的心电图数据区分开，对待进行评价的心电图数据具有强大的泛化拟合能力，无需人工排除低质量数据，节约人力资源，提高心电图数据在使用过程中的准确性，为分析或医护人员提高了更为有效的心电图数据。
本发明实施例提供了另一种心电图数据质量评价方法，如图2所示，所述方法包括：
201、利用预先存储的原始心电图数据对变分自编码器神经网络进行变分推断方式模型训练，得到变分自编码器。
对于本发明实施例，为了训练出预测效果最为优越的变分自编码器，本实施例中是以变分自编码器神经网络进行构建，第一模块为卷积下采样模块，用于接收预先存储的原始心电图数据，这些原始心电图数据来自于用户使用单导心电图机、便携式心电仪、带有心电检测模块的智能穿戴设备时输出至服务器中的历史心电图数据，一般为数十万条心电图数据，时长为40-240s，采样频率为512HZ，而由于构建的模型为无标签自学习系统，第一层级的输入数据无需人工标注，只需要截取2秒以上任意长度心电片段即可。第二模块为隐藏模块，包括了N个串联的卷积层与池化层，通过卷积层与池化层可以对原始心电图数据进行采样。第三模块为反卷积上采样模块，包括全连接的多层感知分类器，即对隐藏模块输出的特征进行拼凑得到一维特征序列，并利用softmax进行分类预测，从而得到训练后的变分自编码器。
另外，变分推断是指用多个简单分布的联合分布去近似代替复杂分布，即在训练模型过程中，通过隐藏模块后可以得到多个正态分布构成高斯混合模型。
为了进一步细化及描述在训练变分自编码器的具体过程，对于本发明实施例步骤201具体可以为：通过变分自编码器神经网络中的卷积下采样模块获取数据库中预先存储的原始心电图数据；利用所述变分自编码器神经网络中的隐藏模块中的卷积层与池化层对所述原始心电图数据进行卷积池化采样编码，得到隐变量参数，所述编码为通过所述原始心电图数据的先验分布求解所述隐变量参数的后验分布；利用所述变分自编码器神经网络中的反卷积上采样模块中的卷积层上采样后结合全连接层依次输送至softmax层中进行解码，得到还原心电图数据，所述解码为通过所述隐变量参数的先验分布求解所述还原心电图数据的后验分布；利用预设的相似度函数对所述原始心电图数据及所述还原心电图数据计算相似度，作为训练好的变分自编码器的评估值。
需要说明的是，反卷积上采样模块中包括卷积层、全连接层、softmax层，在进行解码过程中，利用卷积层进行卷积，结合全连接层输送至softmax层，将网络特征参数转换为分类概率，得到还原心图电数据，利用还原的心电图数据与原始心电图数据进行相似度比较。
对于本发明实施例，在变分自编码的编码过程中，心电图数据为可观测变量，服从由多个简单隐变量构成的联合高斯分布，因此，只需要通过编码求得每个简单分布隐变量参数，即可得到表征心电图数据的内在特征。其中，通过所述原始心电图数据的先验分布求解所述隐变量参数的后验分布可以通过公式encoder(x)＝p(z|x)求得，x为心电图数据，z为隐变量，通过所述隐变量参数的先验分布求解所述还原心电图数据的后验分布可以通过公式decoder(z)＝p(x|z)求得，在对隐变量参数的均值与方差加约束使得其满足标准正态分布LatentLoss(x|z)＝argmin(μ2+σ2-1-log(σ+ε))，如图3所示的变分自编码器的内部结构图。
需要说明的是，为了验证训练的模型是否为训练为最优的模型，需要根据原始心电图数据以及解码还原的心电图数据进行计算求得相似度函数，本发明实施例中，采用的相似度函数为L(x,y)＝∑xilog(yi)+(1-xi)log(1-yi)，x为原始心电图数据，y为解码还原后的心电图数据，本发明实施例中，为了根据相似度对训练的变分自编码器进行评估，求得的相似度的至越趋近于0，说明变分自编码器的训练越好。
202、判断所述变分自编码器的评估值是否符合预设评估条件，若符合，则将所述变分自编码器确定为训练好的变分自编码器。
对于本发明实施例，为了进一步确定是否需要重新或再次进行训练变分自编码器，预设评估条件可以为评估值小于0.05，即越接近于0越优，当计算出的评估值小于预设评估值，则当前训练的变分自编码器为训练好的变分自编码器。
进一步地，本发明实施例还包括：若所述变分自编码器的评估值不符合预设评估条件，则重新执行获取数据库中预先存储的原始心电图数据的步骤，并通过迭代训练编码与解码的过程重新计算出训练变反自编码器的评估值。
对于本发明实施例，由于变分自编码器的好坏严重影响着本实施例中心电图数据质量评价的好坏，因此，当评估值不符合预设评估条件时，需要重新进行训练，即通过多次迭代训练编码器与解码器，将原始心电图数据与解码还原的心电图数据之前差异减为最小，从而可以使得最终编码得到的与特征向量可以作为心电图数据的潜在简单分布的特征值参数，即隐变量参数。本发明实施例中，即为根据原始心电图数据重新进行训练。
203、获取待评价的心电图数据，并通过预先训练好的变分自编码器对所述心电图数据进行采样，得到心电图数据的隐变量参数。
本步骤与图1所示的步骤101方法相同，在此不再赘述。
204、将所述隐变量参数作为群体心电样本特征进行降维处理。
本步骤与图1所示的步骤102方法相同，在此不再赘述。
205、通过Kmeans聚类算法对降维处理后群体心电样本特征进行聚类，并根据欧几里得距离计算聚类后得到的群体心电样本特征到聚类中心点的距离，将所述距离作为预设质量评分公式的计算参数进行计算，得到所述心电图数据的质量评价结果。
其中，所述预设质量评分公式为
Figure BDA0001622266620000092
x为所述距离，将通过Kmeans聚类算法对通过PCA降维处理后的群体心电样本特征进行聚类后，得到聚类中心点坐标(x0,y0)，通过欧几里得距离公式
Figure BDA0001622266620000091
计算聚类后的群体心电样本特征到聚类中心点的距离，(xi,yi)为样本点坐标。
需要说明的是，计算得到的质量评分结果为[0,1]范围内的一个数值，为了确定高低质量的心电图数据，具体方法可以为：判断质量评分结果是否大于0.6，若大于，则将所述心电图数据确定为高质量心电图数据，若小于或等于，则将所述心电图数据确定为低质量心电图数据。本发明实施例中，高质量心电图数据可以直接用于后续心电图分析使用，低质量心电图数据弃用，例如，通过如图4所示的利用变分自编码器得到的心电图数据质量评估流程，可以得到如图5所示的低质量心电图数据，或者如图6所示的高质量心电图数据，本发明实施例不做具体限定。
本发明提供了另一种心电图数据质量评价方法，本发明实施例通过采用深度学习训练的变分自编码器可以较高的将高低质量的心电图数据区分开，对待进行评价的心电图数据具有强大的泛化拟合能力，无需人工排除低质量数据，节约人力资源，提高心电图数据在使用过程中的准确性，为分析或医护人员提高了更为有效的心电图数据。
进一步的，作为对上述图1所示方法的实现，本发明实施例提供了一种心电图数据质量评价装置，如图7所示，该装置包括：采样单元31、降维单元32、计算单元33。
采样单元31，用于获取待评价的心电图数据，并通过预先训练好的变分自编码器对所述心电图数据进行采样，得到心电图数据的隐变量参数，所述预先训练好的变分自编码为利用变分推断方式对心电图数据进行训练的神经网络模型；所述采样单元31为心电图数据质量评价装置执行获取待评价的心电图数据，并通过预先训练好的变分自编码器对所述心电图数据进行采样，得到心电图数据的隐变量参数的功能模块。
降维单元32，用于将所述隐变量参数作为群体心电样本特征进行降维处理；所述降维单元32为心电图数据质量评价装置执行将所述隐变量参数作为群体心电样本特征进行降维处理的功能模块。
计算单元33，用于通过无监督聚类算法对降维处理后的群体心电样本特征进行聚类，并计算聚类后得到的样本特征到聚类中心点的距离，将所述距离作为预设质量评分公式的计算参数进行计算，得到所述心电图数据的质量评价结果。所述计算单元33为心电图数据质量评价装置执行通过无监督聚类算法对降维处理后的群体心电样本特征进行聚类，并计算聚类后得到的样本特征到聚类中心点的距离，将所述距离作为预设质量评分公式的计算参数进行计算，得到所述心电图数据的质量评价结果的功能模块。
本发明提供了一种心电图数据质量评价装置，本发明实施例通过采用深度学习训练的变分自编码器可以较高的将高低质量的心电图数据区分开，对待进行评价的心电图数据具有强大的泛化拟合能力，无需人工排除低质量数据，节约人力资源，提高心电图数据在使用过程中的准确性，为分析或医护人员提高了更为有效的心电图数据。
进一步的，作为对上述图2所示方法的实现，本发明实施例提供了另一种心电图数据质量评价装置，如图8所示，该装置包括：采样单元41、降维单元42、计算单元43、训练单元44、确定单元45、执行单元46。
采样单元41，用于获取待评价的心电图数据，并通过预先训练好的变分自编码器对所述心电图数据进行采样，得到心电图数据的隐变量参数，所述预先训练好的变分自编码为利用变分推断方式对心电图数据进行训练的神经网络模型；
降维单元42，用于将所述隐变量参数作为群体心电样本特征进行降维处理；
计算单元43，用于通过无监督聚类算法对降维处理后的群体心电样本特征进行聚类，并计算聚类后得到的样本特征到聚类中心点的距离，将所述距离作为预设质量评分公式的计算参数进行计算，得到所述心电图数据的质量评价结果。
进一步地，所述装置还包括：
训练单元44，用于利用预先存储的原始心电图数据对变分自编码器神经网络进行变分推断方式模型训练，得到变分自编码器；
确定单元45，判断所述变分自编码器的评估值是否符合预设评估条件，若符合，则将所述变分自编码器确定为训练好的变分自编码器。
进一步地，所述训练单元44包括：
获取模块4401，用于通过变分自编码器神经网络中的卷积下采样模块获取数据库中预先存储的原始心电图数据；
编码模块4402，用于利用所述变分自编码器神经网络中的隐藏模块中的卷积层与池化层对所述原始心电图数据进行卷积池化采样编码，得到隐变量参数，所述编码为通过所述原始心电图数据的先验分布求解所述隐变量参数的后验分布；
解码模块4403，用于利用所述变分自编码器神经网络中的反卷积上采样模块中的卷积层上采样后结合全连接层依次输送至softmax层中进行解码，得到还原心电图数据，所述解码为通过所述隐变量参数的先验分布求解所述还原心电图数据的后验分布；
计算模块4404，用于利用预设的相似度函数对所述原始心电图数据及所述还原心电图数据计算相似度，作为训练好的变分自编码器的评估值。
进一步地，所述计算单元43，具体用于通过Kmeans聚类算法对降维处理后群体心电样本特征进行聚类，并根据欧几里得距离计算聚类后得到的群体心电样本特征到聚类中心点的距离，将所述距离作为预设质量评分公式的计算参数进行计算，得到所述心电图数据的质量评价结果，所述预设质量评分公式为
Figure BDA0001622266620000121
x为所述距离。
进一步地，所述装置还包括：
执行单元46，用于若所述变分自编码器的评估值不符合预设评估条件，则重新执行获取数据库中预先存储的原始心电图数据的步骤，并通过迭代训练编码与解码的过程重新计算出训练变反自编码器的评估值。
本发明提供了另一种心电图数据质量评价装置，本发明实施例通过采用深度学习训练的变分自编码器可以较高的将高低质量的心电图数据区分开，对待进行评价的心电图数据具有强大的泛化拟合能力，无需人工排除低质量数据，节约人力资源，提高心电图数据在使用过程中的准确性，为分析或医护人员提高了更为有效的心电图数据。
根据本发明一个实施例提供了一种存储介质，所述存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的心电图数据质量评价方法。
图9示出了根据本发明一个实施例提供的一种终端的结构示意图，本发明具体实施例并不对终端的具体实现做限定。
如图9所示，该终端可以包括：处理器(processor)502、通信接口(CommunicationsInterface)504、存储器(memory)506、以及通信总线508。
其中：处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。
通信接口504，用于与其它设备比如客户端或其它服务器等的网元通信。
处理器502，用于执行程序510，具体可以执行上述心电图数据质量评价方法实施例中的相关步骤。
具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。
处理器502可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。终端包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器506，用于存放程序510。存储器506可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序510具体可以用于使得处理器502执行以下操作：
获取待评价的心电图数据，并通过预先训练好的变分自编码器对所述心电图数据进行采样，得到心电图数据的隐变量参数，所述预先训练好的变分自编码为利用变分推断方式对心电图数据进行训练的神经网络模型；
将所述隐变量参数作为群体心电样本特征进行降维处理；
通过无监督聚类算法对降维处理后的群体心电样本特征进行聚类，并计算聚类后得到的样本特征到聚类中心点的距离，将所述距离作为预设质量评分公式的计算参数进行计算，得到所述心电图数据的质量评价结果。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (8)

1.一种心电图数据质量评价方法，其特征在于，包括：
获取待评价的心电图数据，并通过预先训练好的变分自编码器对所述心电图数据进行采样，得到心电图数据的隐变量参数，所述训练好的变分自编码器为利用变分推断方式对心电图数据进行训练的神经网络模型；
将所述隐变量参数作为群体心电样本特征，通过主成分分析对所述群体心电样本特征进行降维处理；
通过无监督聚类算法对降维处理后的群体心电样本特征进行聚类，并计算聚类后得到的样本特征到聚类中心点的距离，将所述距离作为预设质量评分公式的计算参数进行计算，得到所述心电图数据的质量评价结果；
所述方法还包括：
利用预先存储的原始心电图数据对变分自编码器神经网络进行变分推断方式模型训练，得到所述变分自编码器；其中，所述变分自编码器神经网络包括卷积下采样模块、隐藏模块、反卷积上采样模块；
判断所述变分自编码器的评估值是否符合预设评估条件，若符合，则将所述变分自编码器确定为所述训练好的变分自编码器。
2.根据权利要求1所述的方法，其特征在于，所述利用预先存储的原始心电图数据对变分自编码器神经网络进行变分推断方式模型训练，得到变分自编码器包括：
通过变分自编码器神经网络中的卷积下采样模块获取数据库中预先存储的原始心电图数据；
利用所述变分自编码器神经网络中的隐藏模块中的卷积层与池化层对所述原始心电图数据进行卷积池化采样编码，得到隐变量参数，所述编码为通过所述原始心电图数据的先验分布求解所述隐变量参数的后验分布；
利用所述变分自编码器神经网络中的反卷积上采样模块中的卷积层上采样后结合全连接层依次输送至softmax层中进行解码，得到还原心电图数据，所述解码为通过所述隐变量参数的先验分布求解所述还原心电图数据的后验分布；
利用预设的相似度函数对所述原始心电图数据及所述还原心电图数据计算相似度，作为训练好的变分自编码器的评估值。
3.根据权利要求2所述的方法，其特征在于，所述通过无监督聚类算法对降维处理后的群体心电样本特征进行聚类，并计算聚类后得到的样本特征到聚类中心点的距离，将所述距离作为预设质量评分公式的计算参数进行计算，得到所述心电图数据的质量评价结果包括：
通过Kmeans聚类算法对降维处理后群体心电样本特征进行聚类，并根据欧几里得距离计算聚类后得到的群体心电样本特征到聚类中心点的距离，将所述距离作为预设质量评分公式的计算参数进行计算，得到所述心电图数据的质量评价结果，所述预设质量评分公式为
Figure FDA0003416800370000021
x为所述距离。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
若所述变分自编码器的评估值不符合预设评估条件，则重新执行获取数据库中预先存储的原始心电图数据的步骤，并通过迭代训练编码与解码的过程重新计算出训练好的变分自编码器的评估值。
5.一种心电图数据质量评价装置，其特征在于，包括：
采样单元，用于获取待评价的心电图数据，并通过预先训练好的变分自编码器对所述心电图数据进行采样，得到心电图数据的隐变量参数，所述训练好的变分自编码器为利用变分推断方式对心电图数据进行训练的神经网络模型；
降维单元，用于将所述隐变量参数作为群体心电样本特征，通过主成分分析对所述群体心电样本特征进行降维处理；
计算单元，用于通过无监督聚类算法对降维处理后的群体心电样本特征进行聚类，并计算聚类后得到的样本特征到聚类中心点的距离，将所述距离作为预设质量评分公式的计算参数进行计算，得到所述心电图数据的质量评价结果；
所述装置还包括：
训练单元，用于利用预先存储的原始心电图数据对变分自编码器神经网络进行变分推断方式模型训练，得到变分自编码器；其中，所述变分自编码器神经网络包括卷积下采样模块、隐藏模块、反卷积上采样模块；
确定单元，判断所述变分自编码器的评估值是否符合预设评估条件，若符合，则将所述变分自编码器确定为训练好的变分自编码器。
6.根据权利要求5所述的装置，其特征在于，所述训练单元包括：
获取模块，用于通过变分自编码器神经网络中的卷积下采样模块获取数据库中预先存储的原始心电图数据；
编码模块，用于利用所述变分自编码器神经网络中的隐藏模块中的卷积层与池化层对所述原始心电图数据进行卷积池化采样编码，得到隐变量参数，所述编码为通过所述原始心电图数据的先验分布求解所述隐变量参数的后验分布；
解码模块，用于利用所述变分自编码器神经网络中的反卷积上采样模块中的卷积层上采样后结合全连接层依次输送至softmax层中进行解码，得到还原心电图数据，所述解码为通过所述隐变量参数的先验分布求解所述还原心电图数据的后验分布；
计算模块，用于利用预设的相似度函数对所述原始心电图数据及所述还原心电图数据计算相似度，作为训练好的变分自编码器的评估值。
7.一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-4中任一项所述的心电图数据质量评价方法对应的操作。
8.一种终端，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-4中任一项所述的心电图数据质量评价方法对应的操作。
CN201810313286.7A 2018-04-09 2018-04-09 心电图数据质量评价方法及装置 Active CN108573227B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810313286.7A CN108573227B (zh) 2018-04-09 2018-04-09 心电图数据质量评价方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810313286.7A CN108573227B (zh) 2018-04-09 2018-04-09 心电图数据质量评价方法及装置

Publications (2)

Publication Number Publication Date
CN108573227A CN108573227A (zh) 2018-09-25
CN108573227B true CN108573227B (zh) 2022-04-29

Family

ID=63574776

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810313286.7A Active CN108573227B (zh) 2018-04-09 2018-04-09 心电图数据质量评价方法及装置

Country Status (1)

Country Link
CN (1) CN108573227B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7183904B2 (ja) * 2019-03-26 2022-12-06 日本電信電話株式会社 評価装置、評価方法、および、評価プログラム
CN112100497B (zh) * 2020-09-14 2021-10-19 北京嘀嘀无限科技发展有限公司 一种数据处理方法、装置、电子设备及可读存储介质
CN112716504B (zh) * 2020-12-22 2023-12-15 沈阳东软智能医疗科技研究院有限公司 心电数据的处理方法、装置、存储介质和电子设备
CN113243923B (zh) * 2021-05-19 2022-10-14 中科芯未来微电子科技成都有限公司 一种提高心电图监测的准确性的方法和装置
CN114469131A (zh) * 2021-12-13 2022-05-13 中国科学院深圳先进技术研究院 自适应实时心电信号质量评估方法
CN114462901B (zh) * 2022-04-13 2022-07-12 石家庄科林物联网科技有限公司 有源配电网电能质量评价方法、装置、终端及存储介质
CN116407133B (zh) * 2023-06-02 2023-08-29 中国医学科学院阜外医院 心电信号的质量评估方法、装置、存储介质及电子设备

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101334893A (zh) * 2008-08-01 2008-12-31 天津大学 基于模糊神经网络的融合图像质量综合评价方法
CN101814063A (zh) * 2010-05-24 2010-08-25 天津大学 基于距离权重的全局k-均值聚类算法
CN103860180A (zh) * 2013-12-16 2014-06-18 中国医学科学院北京协和医院 在心肺复苏（cpr）过程中实时识别自主循环恢复（rosc）
CN105046277A (zh) * 2015-07-15 2015-11-11 华南农业大学 特征显著性在图像质量评价中的鲁棒机理研究方法
CN105956351A (zh) * 2016-07-05 2016-09-21 上海航天控制技术研究所 一种基于机器学习的触觉信息分类计算建模方法
CN106127234A (zh) * 2016-06-17 2016-11-16 西安电子科技大学 基于特征字典的无参考图像质量评价方法
CN107194868A (zh) * 2017-05-19 2017-09-22 成都通甲优博科技有限责任公司 一种人脸图像生成方法及装置
CN107590445A (zh) * 2017-08-25 2018-01-16 西安电子科技大学 基于脑电信号的美学图像质量评价方法
CN107679504A (zh) * 2017-10-13 2018-02-09 北京奇虎科技有限公司 基于摄像头场景的人脸识别方法、装置、设备及存储介质
CN107704806A (zh) * 2017-09-01 2018-02-16 深圳市唯特视科技有限公司 一种基于深度卷积神经网络进行人脸图像质量预测的方法
CN107784663A (zh) * 2017-11-14 2018-03-09 哈尔滨工业大学深圳研究生院 基于深度信息的相关滤波跟踪方法及装置
CN107811631A (zh) * 2017-11-27 2018-03-20 乐普（北京）医疗器械股份有限公司 心电信号质量评估方法
CN110971901A (zh) * 2018-09-29 2020-04-07 杭州海康威视数字技术股份有限公司 卷积神经网络的处理方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9474492B2 (en) * 2012-05-22 2016-10-25 Siemens Medical Solutions Usa, Inc. Adaptive ECG trigger signal jitter detection and compensation for imaging systems

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101334893A (zh) * 2008-08-01 2008-12-31 天津大学 基于模糊神经网络的融合图像质量综合评价方法
CN101814063A (zh) * 2010-05-24 2010-08-25 天津大学 基于距离权重的全局k-均值聚类算法
CN103860180A (zh) * 2013-12-16 2014-06-18 中国医学科学院北京协和医院 在心肺复苏（cpr）过程中实时识别自主循环恢复（rosc）
CN105046277A (zh) * 2015-07-15 2015-11-11 华南农业大学 特征显著性在图像质量评价中的鲁棒机理研究方法
CN106127234A (zh) * 2016-06-17 2016-11-16 西安电子科技大学 基于特征字典的无参考图像质量评价方法
CN105956351A (zh) * 2016-07-05 2016-09-21 上海航天控制技术研究所 一种基于机器学习的触觉信息分类计算建模方法
CN107194868A (zh) * 2017-05-19 2017-09-22 成都通甲优博科技有限责任公司 一种人脸图像生成方法及装置
CN107590445A (zh) * 2017-08-25 2018-01-16 西安电子科技大学 基于脑电信号的美学图像质量评价方法
CN107704806A (zh) * 2017-09-01 2018-02-16 深圳市唯特视科技有限公司 一种基于深度卷积神经网络进行人脸图像质量预测的方法
CN107679504A (zh) * 2017-10-13 2018-02-09 北京奇虎科技有限公司 基于摄像头场景的人脸识别方法、装置、设备及存储介质
CN107784663A (zh) * 2017-11-14 2018-03-09 哈尔滨工业大学深圳研究生院 基于深度信息的相关滤波跟踪方法及装置
CN107811631A (zh) * 2017-11-27 2018-03-20 乐普（北京）医疗器械股份有限公司 心电信号质量评估方法
CN110971901A (zh) * 2018-09-29 2020-04-07 杭州海康威视数字技术股份有限公司 卷积神经网络的处理方法及装置

Also Published As

Publication number Publication date
CN108573227A (zh) 2018-09-25

Similar Documents

Publication Publication Date Title
CN108573227B (zh) 心电图数据质量评价方法及装置
Sivapalan et al. ANNet: A lightweight neural network for ECG anomaly detection in IoT edge sensors
US20180144241A1 (en) Active Learning Method for Training Artificial Neural Networks
EP3847958A1 (en) Arrhythmia detection method and apparatus, electronic device, and computer storage medium
Faziludeen et al. ECG beat classification using wavelets and SVM
Adib et al. Synthetic ecg signal generation using generative neural networks
WO2023024411A1 (zh) 基于机器学习对关联规则进行评估的方法及装置
WO2022188793A1 (zh) 生理电信号分类处理方法、装置、计算机设备和存储介质
CN114027786B (zh) 基于自监督式记忆网络的睡眠呼吸障碍检测方法及系统
CN116975600B (zh) 一种多尺度、多模态对比学习的生物医学时序信号应用方法
Kausar et al. SD-GAN: A style distribution transfer generative adversarial network for Covid-19 detection through X-ray images
Jain et al. Effective de‐noising of ECG by optimised adaptive thresholding on noisy modes
Lu et al. KecNet: a light neural network for arrhythmia classification based on knowledge reinforcement
Wang et al. Clustering ECG heartbeat using improved semi‐supervised affinity propagation
CN111125186B (zh) 一种基于调查问卷的数据处理方法及系统
Indrasiri et al. Image Encoded Time Series Classification of Small Datasets: An Innovative Architecture Using Deep Learning Ensembles
CN112329633B (zh) 基于张量分解的情感识别方法、装置、介质及电子设备
Rahman et al. Mental task classification scheme utilizing correlation coefficient extracted from interchannel intrinsic mode function
US20240164688A1 (en) System and apparatus for generating imaging information based on at least a signal
Das et al. A controlled transfer entropy approach to detect asymmetric interactions in heterogeneous systems
US20230315203A1 (en) Brain-Computer Interface Decoding Method and Apparatus Based on Point-Position Equivalent Augmentation
Erkuş et al. A new collective anomaly detection approach using pitch frequency and dissimilarity: Pitchy anomaly detection (PAD)
Faal et al. ECG Signal modeling using volatility properties: its application in sleep apnea syndrome
CN111789592B (zh) 一种基于拓扑特征融合的脑电识别方法
Liu et al. Time–frequency fusion learning for photoplethysmography biometric recognition

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant