文摘
心电图(ECG)包含连续心跳的节奏特点和心电图波形的形态特征和不同的疾病有不同的看法。基于心电信号的特性,我们提出多个神经网络的组合,多通道并行神经网络(MLCNN-BiLSTM),探讨心电图中包含特征信息。MLCNN通道用于提取心电图波形的形态特征。与传统的卷积神经网络(CNN)相比,MLCNN可以准确地提取强多引线心电图相关信息而忽略无关的信息。适用于多引线心电图的特殊结构。双向长期短期记忆(BiLSTM)通道用于提取心电图持续心跳的节奏特点。最后,通过初始化核心阈值参数和使用反向传播算法自动更新,时空特性的加权融合并行提取多个通道用于探索不同的心血管疾病形态的敏感性和韵律特征。实验结果表明,多个心血管疾病的准确率为87.81%,敏感性为86.00%,特异性为87.76%。我们提出了MLCNN-BiLSTM神经网络可以作为第一轮筛选工具心电图的临床诊断。
1。介绍
心电信号是一个周期性和生物信号的非平稳时间序列。它是基于心脏电活动的原则提出了一种复杂的非线性动态系统(1]。心电图包含连续心跳的节奏特点和心电图波形的形态特征(2]。的非线性和复杂性异常心电图的波形心脏病独特,和不同观测时间序列(3]。
利用先验知识和深度学习的两个主要技术路线是心电图自动分析诊断(4,5]。基于先验知识的辅助诊断依赖于手动提取心电图特征。心电图差异导致的不确定性特征提取,减少算法的分类精度。基于深度学习的辅助诊断是面向数据的,可以自动提取心电图特征通过一个模型,我复杂关联模式和丰富的信息数据,有效防止不确定性人工特征提取,并提供一个可行的技术为心电图大数据分析。心血管疾病诊断、心电图差异通常是通过深度学习算法解决矿业心电图形态和节奏特点(5]。在风扇等的工作6),一个多尺度融合卷积神经网络(MS-CNN)旨在解决短期的问题单管线心房颤动心电图信号检测。网络从不同时间提取心电图记录的特性通过建立两个cnn卷积核的大小不同。Hannun et al。7)使用了一个原始ECG 34-layer CNN时间序列作为输入,生成一个预测标记一次/秒;他们的实验结果比心脏病专家的敏感性和准确性。谭et al。8实现长期短期记忆(LSTM)神经网络在心电图诊断冠状动脉疾病;在这种方法中,5 s ECG信号被切成短序列和复杂的数据点的减少;然后,LSTM应用时间从卷积序列中提取特征;他们的模型实现了诊断准确性为99.85%。辛格et al。9)使用递归神经网络(RNN),控制递归单位(格勒乌),并LSTM分类心跳和得出结论,LSTM比RNN和格勒乌检测心律失常。
因此,大多数心电图分类模型基于深度学习专注于单一铅心电图跳动的分类。减少可能的信息量计算友好和结果在某些情况下性能良好。然而,从临床的角度来看,心脏病学家通常是诊断的基础上12导的数据(10),他们使用在评估之前尽可能多的信息最终诊断结论。因此,研究12导长期数据是极其重要的。上述工作已经证明许多广泛使用的深度学习网络的应用在心电图识别中,但研究多引线的心电图,有生理的特殊结构signal-customized深度学习模式,很少。应考虑以下几点。首先,CNN最初设计用于图像识别。多引入线的心电图数据没有关联一个另一个在不同的时间和铅,因此考虑到这些数据的二维数字图像和分类通过CNN是不合适的。第二,cnn适合获得空间特性,而LSTM是有效的在学习时间上的特性。不同类型的分类器有不同的模式特性的表达式相同的数据(11]。正确的组合不同的分类器和完整的节奏和形态学特征提取心电图增强性能。第三,心血管疾病的敏感性不同形态和节奏变化(12]。例如,在心肌梗死的诊断,QRS波群的变化,P波形态,ST-T段被认为是(13]。相比之下,节奏的变化对心动过速的诊断至关重要(14]。使用的敏感性疾病的挑战一个特性被认为是。
在这项研究中,基于上述观点,我们提出多个神经网络的组合,多通道并行神经网络模型(MLCNN-BiLSTM),并使用它的多级分类识别疾病多引入线的心电图。总之,主要的贡献可以描述如下:(1)根据多引线心电图的特殊结构,小说MLCNN结构提出了。这种结构可以有效地提取强关联信息的采样点多引线心电图而忽略无关的信息。(2)多引线心电图是建模的基础上多个神经网络和多通道并行。一方面,通道1使用MLCNN提取多引入线的ECG数据的形态学特征。另一方面,通道2使用BiLSTM提取铅II ECG数据的节奏特点。(3)核心阈值参数初始化和反向传播算法是用于更新自动控制重量比的多通道并行提取高维时空特征提取的加权融合。的敏感性不同的心血管疾病形态和节奏是自动学习,辅助建立诊断模型和多级分类。
实验结果表明,该结合多个神经网络和多通道并行神经网络(MLCNN-BiLSTM)达到好的结果在多引线心电图分类。疾病筛查的有效性验证通过视觉分析的时空融合后的高维特征模型。
2。方法
2.1。问题描述
心血管疾病识别可以转化为一个多类分类的任务,和它的最终目标是合成一个高度复杂的非线性判决函数。如方程所示(1)。输入序列是一组心电图信号, 。输出相应的标签 。每个输出标签对应一个输入的类别心电图。通过交叉熵作为损失函数,一个高度复杂的非线性判决函数拟合优化中的所有样本训练集和最小损失值: 在哪里 模型预测的概率是标签吗输入和是真正的标签。
2.2。MLCNN
文献[15)指出,之间有显著相关性的数据在同一时间不同导致标准12导心电图信号。如图1,通过绘制不同的数据在同一坐标系中,之间的关系的不同导致多引线心电图可以直观地观察到。对于每一个单一铅ECG信号,数据在不同时间有时间序列相关性。我们认为,在不同时间不同导致的数据是无关紧要的。
二维卷积神经网络(2 d-cnn)使用二维卷积运算,这是最初设计的二维数字图像识别16]。然而,由于多引线心电图结构的特殊性,考虑到这是一个二维数字图像并利用CNN分类是不合适的。在一个二维数字图像,每个像素 ,毗邻 , , , , , , ,和 ,八个像素连接。它叫做eight-neighborhood结构(17),表达的N8 (p)。多引线心电图可以被认为是一个four-neighborhood结构,表达了陶瓷(p)。在每一个采样点 ,它是一样的采样点 和 在不同的同时,在不同的时间和采样点在同一铅 和 有很强的相关性。N8的采样点附近(p)陶瓷(p)没有相关性。如图2相关社区信息的图像像素和多引入线的心电图显示采样点。
(一)
(b)
在CNN,卷积是一种有效的方法提取局部区域特征。如方程所示2)和(3),计算的输出特性图 ,卷积核 可变的输入特性图。然后,卷积结果和一个标量偏见添加净输入的生产卷积的层。最后,输出特性图通过非线性激活函数: 在哪里x是三维卷积内核 (心电图多引入线的结构, ), 卷积运算,是一个非线性激活函数。
的卷积操作2 d-cnn层,每个卷积内核提取eight-neighborhood数字图像的结构特点。当2 d-cnn用于旋卷多引线心电图,采样点的特征信息在附近的N8 (p)陶瓷(p)提取每个卷积过程。随着算法的复杂性增加,高维特征映射表达式的一个特性是卷积后加上一些无关的特性。这种效应引入了不必要的特征信息来更深层次的卷积操作。鉴于多引线心电图的特殊结构和传统的不足2 d-cnn处理多引线心电图,我们设计一个MLCNN多引入线的ECG数据的神经网络。
MLCNN,类似传统的CNN,由卷积和汇聚层。卷积MLCNN层,我们改变每平方卷积核的初始化状态;也就是说,只有权重陶瓷(p)附近的中央点保留,其他中央点的权重non-N4 (p)附近设置为0。在图所示的卷积操作3。
通过设置的重量non-N4 (p)卷积的中心点附近内核为0,每个卷积操作可以准确地提取当地从感受野特性相同的铅在不同的时间和不同的领导在同一时间。因此,在不同的时间不同导致的不必要的数据特性都被删除了。这个设置可以减少的次数卷积加权求和的卷积核,降低算法的复杂性,有积极影响网络的快速收敛。
2.3。网络体系结构
MLCNN可以有效地提取心电图的空间形态特征。探讨心电图中包含的有节奏的特性,提高分类的准确性和认可,我们建议的组合多个神经网络和多通道并行网络模型(MLCNN-BiLSTM)。结构如图4。预处理12导心电图数据的持续时间10秒输入到输入层MLCNN频道作为一个二维数组(大小的输入是12∗1900;我们将数据从第一个50和近50样本的每个领导分别消除数据错误造成数据收集期间手动操作)的提取心电图波形的形态特征。只领先第二数据选择从完整的数据,输入到输入层BiLSTM通道一维数组(输入的大小是1 1900∗)的提取有节奏的ECG信号的特征。领导第二数据包含丰富的心电图特征(18]。平行的两个渠道进行高维的提取和心电图的深层特征。通过初始化核心阈值权重参数和使用反向传播算法自动更新,高维时空特征提取两个渠道是加权和融合。疾病的检出率提高分类通过控制体重输出比例。最后,将softmax激活函数用于多类分类。
2.3.1。MLCNN通道
渠道信息共享机制在卷积层有利于空间融合不同的信息(19]。MLCNN通道是由三块和卷积在一系列完整连接层。卷积块由一个MLCNN卷积,批正常化(BN), ReLU、和最大池层。卷积模块的安排,我们指的是实践20.]。这种结构可以提取特性和良好的可解释性。卷积的层,特性和它们的相对权重提取本地连接。误差反向传播算法用于训练的重量每一层的每个参数卷积内核。
引入BN层(21解决了协变量内部迁移的问题。它的优点是,它允许一个模型使用一个高的学习速率在培训过程中,进一步降低了模型的过度拟合。然后ReLU线性整流卷积函数是用来激活特性提取的层。的计算方程非线性激活函数如下所示: 在哪里和的重量和抵消吗kth卷积特性图,分别是输入的kth卷积层,的输出是什么kth卷积层。
在提出的模型中,最大池层是用来降低特征向量的维数卷积层通过二次抽样,从而减少后续计算的复杂性,可以在一个模型中引入翻译不变性。池的输出层与进步的两个输入长度的一半。一个完整连接层的引入保证MLCNN通道输出的一致性维度和维度BiLSTM通道输出。
2.3.2。BiLSTM通道
作为唯一的一个单一铅心电图设备,标准的铅二数据含有丰富的心跳信息。领先的数据是时间相关。时刻的输出不仅与过去时刻的信息,而且信息后续的时刻。BiLSTM网络使用两个单独的隐藏层处理数据在两个方向上然后提要数据相同的输出层。特性可以有效地提取从时间维度22]。如图5与方程(5),输出是向前传递的函数 ,向后传递 ,和相应的权重和偏差的隐藏状态。 在哪里和向前重量和向后的重量,偏差,是softmax函数。
2.3.3。信道特性融合
为探索不同的心血管疾病的敏感性形态和节奏,核心阈值权重参数初始化并通过神经网络学习自动更新。的参数控制体重比率时空融合的高维特征从两个渠道。参数是一个变量参数,可以学会而不是hyperparameter。我们只是初始化参数 。这里的特征融合方法不是简单的矢量拼接而是逐点的加法。对于MLCNN通道输出空间的特征向量 ,BiLSTM通道输出时间序列的特征向量 添加到相应的元素,见以下方程: 在哪里 和是阈值的重量。
3所示。实验
3.1。数据集
我们将使用中国心血管疾病数据库的数据(CCDD) [23研究我们的算法。所有数据在CCDD来自临床实践。标准12导的数据采样率为500 Hz用于实际的集合。数据是由许多权威的心血管专家手工注释。相对于其他心电图实验数据库(如麻省理工学院数据库),CCDD数据库更符合临床心血管疾病识别算法研究。
在深度学习的实验中,我们选择的标准12导的数据心房心律失常,心室性心律失常,心肌梗死,心室肥大,心房肥大,和正常心律CCDD,也就是说,导致I, II, III, AVL,动静脉,AVR, V1-V6,分别为深度学习训练数据集。10秒是典型的心电图信号采集时间24]。
样本总数的临床心电图实验中使用的是143092,其中108120是正常的心率常规心电图异常心电图34972样品和样本。无序化心电图样本在每个类别后,训练,验证集和测试集划分的比例8:1:1。训练集有114472心电图样本,验证集有14310,测试集有14310。具体的数据分布如表所示1。
3.2。预处理
整个频率范围的心电图波形第1 - 40是赫兹。根据奈奎斯特采样定律,当采样频率 大于最高频率的两倍在一个信号( ),数字信号采样完全保留了原始信号的信息。Mesin [25)提出了一种自适应算法的非均匀将采样数据用来减少平均心电数据的采样频率。它优于统一将采样和压缩传感的高振幅的恢复或精力充沛的组件。该算法表现出良好的准确性从downsampled数据识别的心跳。注意,例如,意思是准确识别心跳超过98%。减少数量的采样点和后续计算的复杂性,我们指的是实践25]然后downsample 10年代连续心电图信号采样率从500赫兹到200赫兹。
CCDD临床心电图数据库,其心电图数据直接从临床患者,收集整理和存储。心电图的完整性保证了数据收集在诊所。然而,噪音。噪声去除有利于深度学习的特征提取和分类精度26]。存在三种噪声的ECG信号,即基线漂移、工频干扰,和肌电图干扰。中值滤波器、数字低通滤波器和数字高通滤波器常用于去除高频和低频噪声从信号基线漂移、工频干扰等噪声(27,取得了良好的效果。传统的滤波方法抑制EMG造成干扰R峰值剪切和心电图的QRS波群波失真信号(28]。
我们第一次初步处理原始ECG信号基于中值滤波去除基线漂移干扰,然后基于FIR低通滤波器去除高频噪声和工频干扰和冷杉高通滤波器去除低频噪声干扰。算法1显示了初步的流程处理。
|
通过实验,中值滤波器参数0.9、FIR低通滤波器截止频率f中电控股40,高通滤波器截止频率是什么f共和人民党2,过滤器的顺序F订单是8。
为了避免后续的影响消除EMG干扰噪声对QRS波群的过程,我们需要确定初步预处理心电信号的QRS波群 。相应区域的信号被保留,以便它不会受到影响时,肌电图干扰噪声。我们采用的R峰值检测算法基于小波系数(29日]。Haar小波基础用于心电图信号分解成五离散小波,第四和第五层小波细节系数选择重建R峰值检测序列;振幅阈值设置为搜索的位置R峰。算法2显示了R峰值检测算法。
|
我们集中在R峰值和向前/向后寻找最低的极端点振幅,表示问疯狂的和年代疯狂的,分别。该地区ECG信号的采样点的索引值之间问疯狂的和年代疯狂的QRS波群波区域应该被保留下来。设置这个区域的信号幅度为0,然后删除EMG干扰信号在心电图信号基于卡尔曼滤波的方法。恢复QRS波群区域设置为0,最后获得目标心电图信号,消除肌电的干扰和保留了QRS波群的形状。完整的预处理算法的流程图如图6。
图7显示每个预处理步骤的结果。它可以发现,初步处理后,原始心电信号中的噪声抑制在某种程度上,但仍有明显的肌电图干扰。卡尔曼滤波后,心电图信号,尤其是两者之间的肌电图噪声符合的QRS波,有效地抑制。
(一)
(b)
(c)
(d)
(e)
(f)
3.3。培训的设置
网络参数(重量和偏差)为获得最佳性能在一个给定的任务被认为是凸优化问题(22]。在上面提到的多通道并行网络模型,交叉熵作为本研究的成本函数: 在哪里是输入心电信号,是输出的类别,激活函数的输入吗 ,和是训练样本的数量。
算法3显示了模型训练的整个过程。
|
表2显示了每一层的网络模型的详细参数。
4所示。结果
我们使用三个指标,即准确性(ACC),灵敏度(SE)和特异性(SP),评估提出了网络的性能。ACC的总和的比例是如此积极的和真阴性样品的总数和反映了测试和实际结果之间的一致性。SE(也称为回忆,重新)是真阳性的比例数据正确积极的预测。SE是越高,比例越大的正确预测。SP,也称为负预测率,是真正的负面数据正确预测之间的比率是负和所有实际负样本。三个评价指标可以计算如下: TP(真阳性)代表样本属于这个类的数量,分为这个类的分类器。FP(假阳性)代表的样本数量不属于这个类却错误地分配给这个类的分类器。FN(假阴性)代表样本属于这个类的数量但分配给其他类的分类器。TN(真阴性)代表的样本数量不属于这个类并没有划分为这个类的分类器。
使深学习模型达到最优结构,定量研究方法用于确定各种结构和网络参数的影响实验结果。在许多实验中,最后一个测试集的分类精度是通过为每个参数试验和错误。表3列表的最佳网络参数最大算法模型的分类精度。
实验结果表明,后100时代的迭代训练,模型收敛和分类精度稳定。结果如图所示8。
(一)
(b)
表4显示了不同类型的心电图分类性能。在疾病分类,假阴性(FN)结果非常重要。在多级分类的疾病任务中,FN意味着一个病人有一种疾病,但该模型预测,他是健康的或另一种疾病。假阴性率(FNR)可以显示灵敏度(1 = FNR + SE)。从灵敏度,可以看出,由于不平衡样本数量的不同的疾病,该模型具有良好的识别能力正常,心房心律失常,心室性心律失常和心室肥大,但没有心肌梗塞和心房肥大。
在实验中,我们主要研究四种不同的网络学习参数的影响,即优化器,批量大小,卷积核大小和α在该模型的性能。当一个特定的参数改变,其他参数是一致的,如表所示3。
首先,不同的影响优化器对该网络模型的性能评估。比较实验结果如表所示5。分类的性能、精度、灵敏度、特异性的亚当SGD高于1.79%,2.13%,和2.18%,分别。
批量大小代表发送的数据量为每次训练模型,及其影响程度的大小优化和模型的训练速度。使用GPU内存的大小限制在这篇文章中,我们使用的常见参数32岁,64年、128年和256年进行比较实验。实验结果如表所示6。获得最高的精度(87.81%)在一个批处理大小为128。我们提出的网络模型的分类性能没有显著提高通过改变批量大小的值。
卷积核的大小是最小的区域特征点加权平均,在卷积操作。卷积的内核MLCNN提出的加权平均时间序列之前和之后的任何采样点和相关采样点在不同导致在同一时间。我们选择四种常见的卷积核大小来探索对模型性能的影响。12导心电图数据结构的限制,本文采用最大卷积核是9×9。比较实验结果如表所示7。卷积核的大小5×5获得一个最优的结果。的准确性、敏感性和特异性为87.81%,86.00%,和87.76%,分别。
我们研究的影响,初始化阈值权重参数的值ɑ在该网络模型的性能。的参数ɑ控制的重量加权融合的高维时空特性输出的两个渠道。的参数ɑ表明不同的疾病的敏感性包含在心电图形态和时间特性。反向传播算法更新后,参数ɑ获得最优值。实验结果如表所示8,当参数ɑ是0.7,模型是最优的性能。实验结果表明,该网络模型倾向于使用空间形态功能学的MLCNN通道作为分类的主要特征特性融合后的任务。
最后,为了验证我们提出的心电信号预处理方法的有效性,提出网络也没有去噪分析,结果表中列出9。平均精度、灵敏度和特异性为85.53%,84.71%,85.23%是通过使用原始ECG数据与噪音。此外,平均精度为87.81%,最高的敏感性86.00%,特异性87.76%获得了预处理心电图数据没有噪音。
5。讨论
在本节中,我们构造CNN, BiLSTM, MLCNN进行分类和识别实验在同一多引入线的心电图数据集用于验证的性能优势提出MLCNN处理多引入线的心电图数据有特殊结构。我们还开展实验没有核心的MLCNN-BiLSTM阈值权重参数ɑ验证核心阈值重量参数引入的必要性ɑ加权融合后的多通道提取的时空特性。
在对比实验中,CNN和MLCNN之间的区别在于是否卷积内核考虑four-neighborhood多引线心电图的特殊结构。CNN以多引线心电图为一个二维图像和提取信号特征的传统的卷积。我们BiLSTM只使用标准二世领导心电图作为训练数据。
从表可以看出10BiLSTM网络的分类性能最差,和ACC仅为67.70%。可能的原因是,中的特征信息数据不能表达的使用只有一个两层LSTM网络。与CNN相比,MLCNN进一步的性能改进,与ACC, SP增加了1.44%,2.61%,和3.93%,分别。MLCNN更适合多引入线的心电图数据分类和识别。实验结果表明本文提出的MLCNN-BiLSTM最佳性能在几个模型,其ACC是87.81%,它在处理心电图分类是有效的。
通过可视化功能6)的有效性模型可以直观地显示。我们选择两种情况测试集的每个不同的疾病类型,分析从MLCNN-BiLSTM模型的特性。不使用softmax层,我们使用其他MLCNN-BiLSTM模型特征提取器,和生成的特征向量包含64个值。根据学习特征向量,热图。
如图9通过颜色的特性(56)10日,21日,31日,(42)4,23日,(3,64),和(17日51),我们可以明显区分正常的情况下,心房心律失常,心室性心律失常,心室肥大与其他类型的案件。我们注意到心肌梗死和心房肥大的可视化结果不理想的不平衡可能是因为训练集样本和MLCNN-BiLSTM模型学习的失败关键特性这两种类型的样本。
评估我们的提出网络的性能,我们比较它和一些最新的文献中方法。表11显示了应用程序的CCDD心电图分类在最近的5年。
文学研究[30.- - - - - -32)是基于领先卷积神经网络(LCNN) [35]。这项研究在30.提出了一个新颖的监督训练方法(即。,我mplicit training method) and then combined it with a traditional training method (i.e., explicit training method), trained two different LCNN models, and finally used a Bayesian method to fuse classification. The study in [31日)提出了一个基于LCNN和过早的学习方法诊断心室收缩规则配套,取得了良好的分类效果。这项研究在32)的基础上添加LSTM文学(31日),和分类性能进一步提高。这项研究在33)结合卷积神经网络和双向递归神经网络建立分类模型心电图疾病正异常。这项研究在34]提出一种基于深层神经网络的集成学习方法,集成过滤视图,本地视图,扭曲观点,明确培训、隐式训练,子视图预测,和简单的平均,验证了该方法的有效性。
如表所示11,大部分的心电图识别和分类研究CCDD数据库有一个二进制分类。这项研究在32)显示了在识别PVC疾病的表现。结果优于其他二进制分类研究和准确率达到99.41%。与其他先进的方法比较,我们还进行了二元分类研究使用该模型相同的数据集。算法的准确性、敏感性和特异性分别为98.77%,95.69%,和97.35%,分别在PVC疾病数据集有超过140000条记录,验证了算法的有效性。研究了心电图CCDD多级分类识别。我们建立一个MLCNN-BiLSTM并行网络。通过MLCNN BiLSTM,两个渠道可以完全提取的形态学特征和节奏特点多引入线的心电图。结果表明,我们的工作具有良好性能的数据集CCDD六疾病的分类和识别,准确率是87.81%。
6。结论
在这项研究中,我们提出一个名叫MLCNN-BiLSTM心血管疾病识别的神经网络模型基于多引线心电图的特殊数据结构。模型分为两个通道的时空特征信息的提取心电图信号并行。MLCNN通道将卷积核的部分权重设置为0,可以准确地提取采样点的强烈相关的形态学特征不同导致在同一时间和同一铅在不同的时间而忽略无关的信息。相比之下,CNN, MLCNN减少的趋势在网络内存消耗过度拟合。BiLSTM通道是用来提取韵律特征。核心的阈值参数初始化和反向传播算法是用于更新自动融合并行时空特征提取的多个渠道,探索不同的心血管疾病形态的敏感性和韵律特征。这些网络是神经网络组合成一个统一的架构形成端到端可训练的模式。实验结果表明,MLCNN-BiLSTM的准确性为87.81%在六个心血管疾病分类任务。它是4.24%和20.11%高于参考单CNN和BiLSTM,分别。
未来的工作将在这些方面进行的。首先,我们将进一步考虑不平衡的影响在网络模型的性能。其次,鉴于多引入线的心电图数据集很少,我们只在一个数据集进行实验,及其泛化能力需要测试。在下一步,我们将获得大量的未标记数据从远程心电监测系统,继续通过无监督学习评估我们的提出的网络模型。
数据可用性
使用的数据来支持本研究的结果包括在本文中。进一步请求数据可以从相应的作者。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
本研究在一定程度上支持的主要在中央政府增加和减少,中国(批准号2060302),重点科研项目计划的河南省高等教育机构(批准号18 a520011)和重点科技项目的新疆生产建设兵团(批准号2018 ab017)。