本發(fā)明涉及心電圖解讀，尤其涉及到一種可信自動化心電圖解讀方法、裝置、設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、心電圖（ecg）記錄了心臟在一段時(shí)間內(nèi)的生理活動，提供了對心臟健康的重要見解。準(zhǔn)確解讀ecg數(shù)據(jù)對于某些疾病的診斷至關(guān)重要。準(zhǔn)確解讀ecg信號需要心臟病專家的分析能力和對細(xì)節(jié)的仔細(xì)關(guān)注。然而，這些技能在不同心臟病專家之間差異很大，并且隨著ecg讀數(shù)數(shù)據(jù)量的增加，單個醫(yī)生很難完全處理。ecg數(shù)據(jù)的自動化解讀提供了一種克服這些問題的可行解決方案。

2、深度學(xué)習(xí)模型，如卷積神經(jīng)網(wǎng)絡(luò)（cnns）和循環(huán)神經(jīng)網(wǎng)絡(luò)（rnns）以及他們的變體，憑借其出色的數(shù)據(jù)學(xué)習(xí)能力和可適應(yīng)的處理架構(gòu)在ecg自動化解讀的應(yīng)用中取得了令人鼓舞的成績。目前，用于ecg解讀的深度學(xué)習(xí)模型通常由一個或多個特征提取層組成，最后以一個softmax層結(jié)束。softmax層將概率分配給預(yù)定義的類別，這些概率的總和等于1。這些概率通常被解釋為模型對相應(yīng)類別預(yù)測的置信度。

3、然而，現(xiàn)有的研究往往忽視了一個關(guān)鍵問題：深度學(xué)習(xí)模型提供的解釋的可信度。對于人類臨床醫(yī)生來說，只有在對ecg的解讀具有高度置信度時(shí)才會作出診斷；否則，他們可能會保留判斷。相比之下，計(jì)算模型無論置信度高低都會為每個實(shí)例生成預(yù)測。在面對模棱兩可或具有挑戰(zhàn)性的病例時(shí)，這些模型可能會偶爾做出正確的選擇，但是對其決策的準(zhǔn)確性毫無把握。這樣的結(jié)果不僅對臨床醫(yī)生毫無幫助，甚至還可能引入干擾，進(jìn)一步復(fù)雜化臨床決策。此外，softmax眾所周知會放大預(yù)測類別的概率，這意味著置信度被夸大了。這可能導(dǎo)致高度自信但錯誤的預(yù)測，從而誤導(dǎo)臨床醫(yī)生，甚至對患者造成災(zāi)難性的后果。對于這樣被softmax放大的樣本，人類醫(yī)生往往會給予較高的不確定性，但當(dāng)前的自動化解析方法難以做出這樣的估計(jì)。

4、因此，如何實(shí)現(xiàn)對目標(biāo)心電圖數(shù)據(jù)的不確定性進(jìn)行準(zhǔn)確估計(jì)，避免輸出解釋存在過度自信現(xiàn)象，是一個亟需解決的技術(shù)問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供一種可信自動化心電圖解讀方法、裝置、設(shè)備及存儲介質(zhì)，旨在解決上述至少一個技術(shù)問題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供一種基于深度學(xué)習(xí)的可信自動化心電圖解讀方法，包括以下步驟：

3、構(gòu)建多層卷積網(wǎng)絡(luò)，將待解讀的心電圖樣本輸入構(gòu)建的所述多層卷積網(wǎng)絡(luò)，提取出所述心電圖樣本的心電圖特征；

4、利用所述心電圖特征，估計(jì)狄利克雷分布參數(shù)；

5、根據(jù)所述狄利克雷分布參數(shù)，確定損失值并進(jìn)行參數(shù)更新，對心電圖樣本進(jìn)行類別概率預(yù)測，獲得類別概率預(yù)測結(jié)果；

6、基于主觀邏輯框架，計(jì)算獲得類別概率預(yù)測結(jié)果的不確定性估計(jì)結(jié)果。

7、可選的，構(gòu)建多層卷積網(wǎng)絡(luò)步驟，具體包括：

8、構(gòu)建第一卷積層模塊和m個第二卷積層模塊，并將所述第一卷積層模塊和所述m個第二卷積層模塊進(jìn)行首尾依次連接；

9、在所述第一卷積層模塊之前設(shè)置conv-bn-leakyrelu結(jié)構(gòu)，在所述m個第二卷積層模塊之后設(shè)置bn-leakyrelu結(jié)構(gòu)，形成多層卷積網(wǎng)絡(luò)。

10、可選的，所述第一卷積層模塊，具體包括：首尾依次相連的conv-bn-leakyrelu結(jié)構(gòu)、dropout層、conv層和連接conv-bn-leakyrelu結(jié)構(gòu)輸入端與conv層輸出端的max-pool層。

11、可選的，所述第二卷積層模塊，具體包括：首尾依次相連的bn-relu結(jié)構(gòu)、conv-bn-leakyrelu結(jié)構(gòu)、dropout層、conv層和連接bn-relu結(jié)構(gòu)輸入端與conv層輸出端的max-pool層。

12、可選的，在優(yōu)選的實(shí)施例中，將待解讀的心電圖樣本輸入構(gòu)建的所述多層卷積網(wǎng)絡(luò)，提取出所述心電圖樣本的心電圖特征步驟，具體包括：

13、將待解讀的心電圖樣本輸入構(gòu)建的所述多層卷積網(wǎng)絡(luò)，每隔一個max-pool層對輸入進(jìn)行二倍下采樣；

14、基于所述多層卷積網(wǎng)絡(luò)中具有的個max-pool層和個conv層，提取出心電圖樣本中的心電圖特征；

15、；其中，w表示conv層的濾波器寬度，n表示conv層的濾波器數(shù)量。

16、可選的，利用所述心電圖特征，估計(jì)狄利克雷分布參數(shù)步驟，具體包括：

17、對心電圖特征進(jìn)行形狀轉(zhuǎn)換并激活，表達(dá)式為：

18、；；其中，σ(·)表示激活函數(shù)leakyrelu，表示預(yù)設(shè)目標(biāo)心臟疾病的種類數(shù)，表示形狀轉(zhuǎn)換參數(shù)；

19、利用激活后的心電圖特征估計(jì)狄利克雷分布參數(shù)，表達(dá)式為：

20、；

21、其中，是對于不含誤導(dǎo)性估計(jì)的狄利克雷分布參數(shù)，表示對應(yīng)的數(shù)據(jù)標(biāo)簽，表示哈達(dá)瑪乘積。

22、可選的，根據(jù)所述狄利克雷分布參數(shù)，確定損失值并進(jìn)行參數(shù)更新步驟，具體包括：

23、根據(jù)所述狄利克雷分布參數(shù)，確定損失值，表達(dá)式為：

24、；

25、；

26、；

27、其中，(·)表示正則化，表示可更新的參數(shù)，表示損失值，和表示平衡kl散度損失與正則化的超參數(shù)，表示雙伽馬函數(shù)，表示包含k個1的向量，表示狄利克雷均勻分布，表示伽馬函數(shù)，表示第i個樣本屬于第j個類別，表示第i個樣本對應(yīng)的單位單形，表示第i個樣本在類別j上的狄利克雷參數(shù)估計(jì)值，表示樣本i的概率分布，表示樣本i在類別k上去除誤導(dǎo)性估計(jì)的狄利克雷參數(shù)估計(jì)。

28、可選的，根據(jù)所述狄利克雷分布參數(shù)，確定損失值并進(jìn)行參數(shù)更新步驟，具體包括：采用adam算法，以學(xué)習(xí)率為0.001進(jìn)行參數(shù)更新。

29、可選的，基于主觀邏輯框架，計(jì)算獲得類別概率預(yù)測結(jié)果的不確定性估計(jì)結(jié)果步驟，具體包括：

30、基于主觀邏輯框架的計(jì)算公式，計(jì)算獲得類別概率預(yù)測結(jié)果的不確定性估計(jì)結(jié)果，表達(dá)式為：

31、；

32、其中，表示不確定性估計(jì)結(jié)果。

33、此外，為了實(shí)現(xiàn)上述目的，本發(fā)明還提供了一種可信自動化心電圖解讀裝置，包括：

34、特征提取模塊，用于構(gòu)建多層卷積網(wǎng)絡(luò)，將待解讀的心電圖樣本輸入構(gòu)建的所述多層卷積網(wǎng)絡(luò)，提取出所述心電圖樣本的心電圖特征；

35、參數(shù)估計(jì)模塊，用于利用所述心電圖特征，估計(jì)狄利克雷分布參數(shù)；

36、損失值確定模塊，用于根據(jù)所述狄利克雷分布參數(shù)，確定損失值并進(jìn)行參數(shù)更新，對心電圖樣本進(jìn)行類別概率預(yù)測，獲得類別概率預(yù)測結(jié)果；

37、不確定性估計(jì)模塊，用于基于主觀邏輯框架，計(jì)算獲得類別概率預(yù)測結(jié)果的不確定性估計(jì)結(jié)果。

38、此外，為了實(shí)現(xiàn)上述目的，本發(fā)明還提供了一種可信自動化心電圖解讀設(shè)備，所述可信自動化心電圖解讀設(shè)備包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運(yùn)行的可信自動化心電圖解讀程序，所述可信自動化心電圖解讀程序被所述處理器執(zhí)行時(shí)實(shí)現(xiàn)如上所述的可信自動化心電圖解讀方法的步驟。

39、此外，為了實(shí)現(xiàn)上述目的，本發(fā)明還提供了一種存儲介質(zhì)，所述存儲介質(zhì)上存儲有可信自動化心電圖解讀程序，所述可信自動化心電圖解讀程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述的可信自動化心電圖解讀方法的步驟。

40、本發(fā)明的有益效果在于：提出了一種可信自動化心電圖解讀方法、裝置、設(shè)備及存儲介質(zhì)，該方法包括：構(gòu)建多層卷積網(wǎng)絡(luò)，將待解讀的心電圖樣本輸入構(gòu)建的所述多層卷積網(wǎng)絡(luò)，提取出所述心電圖樣本的心電圖特征；利用所述心電圖特征，估計(jì)狄利克雷分布參數(shù)；根據(jù)所述狄利克雷分布參數(shù)，確定損失值并進(jìn)行參數(shù)更新，對心電圖樣本進(jìn)行類別概率預(yù)測，獲得類別概率預(yù)測結(jié)果；基于主觀邏輯框架，計(jì)算獲得類別概率預(yù)測結(jié)果的不確定性估計(jì)結(jié)果。本發(fā)明通過構(gòu)建多層卷積網(wǎng)絡(luò)結(jié)合最大池化的快捷鏈接，從原始ecg數(shù)據(jù)中提取高層次的抽象特征，并根據(jù)提取的特征估計(jì)狄利克雷分布的參數(shù)。最后，引入主觀邏輯來評估分類中的整體不確定性，具有以下兩個顯著優(yōu)勢：首先，基于狄利克雷分布參數(shù)得出的預(yù)測概率不受放大效應(yīng)的影響；其次，整體不確定性有助于避免低置信度卻有高預(yù)測概率的情況（如隨機(jī)猜測）。因此，降低了過度自信的風(fēng)險(xiǎn)。