一种基于确定学习与深度学习的心肌缺血危险分层方法技术

本发明专利技术公开了一种基于确定学习与深度学习的心肌缺血危险分层方法。本发明专利技术采集常规12导联心电图信号，基于确定学习理论对浅层心电信号蕴含的内在心电动力学特征进行神经网络建模、辨识，得到心电信号内在动态特征，运用深度学习框架下的卷积神经网络实现对心肌缺血的危险分层。本发明专利技术方法首次联合使用了确定学习动态建模方法与深度学习分类方法，并应用于心肌缺血的早期危险分层，基于常规12导联心电信号，不需附加新的检测设备，简单方便、容易操作。确定学习方法提取到对缺血状态更敏感的动态特征，而深度神经网络能够自主学习数据特征，不用进行进一步数据刻画，降低了系统的复杂度。

【技术实现步骤摘要】
一种基于确定学习与深度学习的心肌缺血危险分层方法
本专利技术属于模式识别
，具体涉及一种基于确定学习与深度学习的心肌缺血危险分层方法。
技术介绍
心肌缺血是常见的心血管疾病，严重威胁人类的生命健康。心肌缺血的危险分层对病情的诊断、治疗和预后有重要意义，与人类健康密切相关。近半个世纪来医学影像学技术逐渐成熟，成为了心肌缺血、冠心病的诊断与治疗的主流方向。而在临床实践中，部分患者临床表现为无症状的心肌缺血，虽然有明显的冠脉改变和心肌缺血的客观依据，却不伴有心绞痛，非常容易受到患者自身和医生的忽视，也成为心肌梗死以及猝死的重要危险因素之一。影像检查也由于自身价格的原因和患者心理的因素，没法在一般人群筛查中广泛使用，单凭影像检查有时无法最大限度发挥诊断效能。相比之下，无创性心电学检测技术，特别是常规的12导联心电图技术，简单实用，受众更广，作为医学影像学的重要补充部分，在心肌缺血诊断和危险分层上起到重要作用。合理、有序的选择无创心电学检查可以提供不同于影像信息的心电信息，实现心肌缺血的早期检测，与影像学检查的优势互补，进一步提高临床诊断的准确率和检出率。针对上述背景和存在的问题，在中国专利技术专利申请：一种基于确定学习理论的心肌缺血辅助检测方法(申请号：201310496628.0)中提出了一个确定学习动态理论的心肌缺血早期诊断的新方法，使得本来难以发现的微小病态信息得以充分表示。然而，该方法仅给出了依靠图形散乱与否的定性主观结果，无法采用量化手段对其进行标准规划。在中国专利技术专利申请：一种心电动力学数据量化分析方法(申请号：201710587538.0)中提出了一种心电动力学数据图量化分析方法，对上述结果进行量化指标的提取，但在指标提取环节仍存在相当大的主观性，没法给出确切的指标提取数量，以及指标数量与最终诊断正确率之间的关联。
技术实现思路
本专利技术的目的是克服现有技术存在的问题，提供一种基于确定学习与深度学习的心肌缺血危险分层方法，一种更为简单准确自动的，适合临床使用的基于确定学习与深度学习的心肌缺血危险分层方法。本专利技术的具体技术方案通过如下步骤实现：步骤1、获取心电信号动力学动态特征：对采集得到的12导联心电数据进行确定学习动态建模，从而获得心电动力学特征数据。步骤2、数据预处理：对获得的心电动力学特征数据进行归一化处理。步骤3、构建卷积神经网络模型：构建的卷积神经网络的结构为输入层-卷积层-池化层-卷积层-池化层-全连接层-输出层。步骤4、训练卷积神经网络：将步骤2归一化处理好的训练集中的数据输入到步骤3构建的卷积神经网络中进行训练，训练的过程包括前向训练和反向优化。步骤5、分类识别：将步骤2归一化处理好的测试集中的心电动力学特征数据输入到训练好的卷积神经网络模型中，预测测试数据集中心肌缺血的高危个体与低危个体。上述方法中，步骤1所述的进行确定学习动力学建模是指通过既定的公认有效的一种基于确定学习理论的心肌缺血辅助检测方法把原始的心电数据转化成心电动力学特征数据。在心电信号动态建模环节，通过确定学习理论，利用RBF神经网络实现对心电非线性系统动态的局部准确的辨识，并将学习到的知识以常值RBF神经网络权值的形式保存起来。时变的心电动态模式就可以由系统动态的局部准确的神经网络逼近来表示。对心电信号进行确定学习动力学建模的步骤如下：(1)将12导联心电图ECG数值数据进行常规滤波，通过既定的公认有效的变换法则转换为三维的心电向量图数据，表示为：V(t)＝[vx(t),vy(t),vz(t)]T,式中t＝1,···,m为采样时刻，然后截取三维数据中的ST-T段数据，从而提取ST-T环。(2)采用动态RBF神经网络辨识器，对ST-T环的内在系统动态利用确定学习算法进行局部准确RBF神经网络逼近，获得关于心电图ST-T段信号内在的动力学特性：其中FST(V(t))表示内在系统动态特性，是常值神经网络权值向量，S(V(t))是高斯型径向基函数。由上式所示，得到的系统动态知识保存下来的常值权值矩阵就是心电动力学特征数据。上述方法中，步骤2所述的对心电动力学特征数据进行归一化处理的方法为min-max方法。上述方法中，步骤4所述的卷积神经网络的训练包括前向训练和反向优化两个步骤。前向训练的具体过程如下：①卷积层操作:公式表达为：其中，l为卷积层数，为第l层第j个特征图于第l-1层第i个特征图连接之间的卷积核，Mj为输入数据的集合，b为每个输出特征图的偏置，“*”表示卷积运算，f(·)表示激励函数，表示第l层第j个特征图。②池化层操作：公式表达为：式中down(·)表示下采样函数，表示第l层第j个特征图对应的系数，为其对应的偏置项系数。反向优化是采用有监督的学习方式进行调优，通过调优之后使得卷积神经网络模型中的每一层隐层的网络权重和偏置都能够达到最优值。反向优化具体的计算过程如下：⑴卷积层的梯度计算：公式表达式为：其中，u是卷积之后产生的特征图，up(·)表示上采样函数，“*”表示点乘运算。对于卷积层给定的特征图，可以求得该特征图对应偏置项的梯度和对应卷积核的梯度，计算公式为：其中，J为代价函数，项是中在卷积时与逐元素相乘的一块区域，x,y表示特征图中的坐标。⑵池化层的梯度计算：在池化层的下采样的前向过程中涉及的参数是每个特征图对应的一个权重参数w和一个偏置项b，若求得此层的残差图，这两个参数的梯度就很容易求得，该过程可以用公式表达为：式中rot180()函数表示逆时针旋转180度，参数full表示进行完全的卷积操作。在得到残差图后，w和b的计算满足公式：其中，上述方法中，步骤5所述的分类识别是指经过步骤4训练好的卷积神经网络对测试集中的心电动力学特征数据进行分类预测，识别出心肌缺血高危个体和低危个体。本专利技术与现有技术相比，具有如下优点和有益效果：1、本专利技术方法首次联合使用了确定学习动态建模和深度学习分类方法，并应用于心肌缺血的早期危险分层。确定学习动态建模能提取到对心肌缺血状态更敏感的动态特征，深度学习能够自主学习数据特征，不用进行进一步的数据刻画，降低了系统的复杂度，而且不需要增加新的检测设备，简单方便，容易操作。2、本专利技术采用深度学习方法进行心肌缺血危险分层识别，相比于传统的方法，深度学习学习能力强，能够学习到更好的特征，有更好的表达能力。本方法随着训练数据量的增加，可以取得更好的识别效果。3、本专利技术通过构建卷积神经网络来进行心肌缺血危险分层识别，能够通过训练样本的心电动力学特征数据进行自主学习，同时具有权值共享的特征，降低了模型的复杂度，池化层的操作增强了系统的鲁棒性。本专利技术在实施例中提供了一个数层的卷积神经网络模型，达到了较好的识别效果。附图说明图1是本专利技术实施例中心肌缺血危险分层方法的流程图。图2是本专利技术实施例中某一心肌缺血高危个体的心电动力学特征数据显示图。图3是本专利技术实施例中某一心肌缺血低危个体的心电动力学特征数据显示图。图4是本专利技术实施例中卷积神经网络模型的结构示意图。图5是本专利技术实施例中卷积神经网络具体参数配置。图6是本专利技术实施例中神经网络全连接层的参数设置。图7是本专利技术实施例中心电动力学特征数据的分类识别结果。具体实施方式下面结合实施例及附图对本专利技术的具体实施方式作进一步详细的描述，但本专利技术的本文档来自技高网...

【技术保护点】
1.一种基于确定学习与深度学习的心肌缺血危险分层方法，其特征在于，包含如下步骤：步骤1、获取心电信号动力学动态特征：对采集得到的12导联心电数据进行确定学习动态建模，从而获得心电动力学特征数据；步骤2、数据预处理：对获得的心电动力学特征数据进行归一化处理；步骤3、构建卷积神经网络模型：构建的卷积神经网络的结构为输入层‑卷积层‑池化层‑卷积层‑池化层‑全连接层‑输出层；步骤4、训练卷积神经网络：将步骤2归一化处理好的训练集中的数据输入到步骤3构建的卷积神经网络中进行训练，训练的过程包括前向训练和反向优化；步骤5、分类识别：将步骤2归一化处理好的测试集中的心电动力学特征数据输入到训练好的卷积神经网络模型中，预测测试数据集中心肌缺血的高危个体与低危个体。

【技术特征摘要】
1.一种基于确定学习与深度学习的心肌缺血危险分层方法，其特征在于，包含如下步骤：步骤1、获取心电信号动力学动态特征：对采集得到的12导联心电数据进行确定学习动态建模，从而获得心电动力学特征数据；步骤2、数据预处理：对获得的心电动力学特征数据进行归一化处理；步骤3、构建卷积神经网络模型：构建的卷积神经网络的结构为输入层-卷积层-池化层-卷积层-池化层-全连接层-输出层；步骤4、训练卷积神经网络：将步骤2归一化处理好的训练集中的数据输入到步骤3构建的卷积神经网络中进行训练，训练的过程包括前向训练和反向优化；步骤5、分类识别：将步骤2归一化处理好的测试集中的心电动力学特征数据输入到训练好的卷积神经网络模型中，预测测试数据集中心肌缺血的高危个体与低危个体。2.根据权利要求1所述的基于确定学习与深度学习的心肌缺血危险分层方法，其特征在于，步骤1所述的进行确定学习动力学建模是指通过既定的公认有效的一种基于确定学习理论的心肌缺血辅助检测方法把原始的心电数据转化成心电动力学特征数据。3.根据权利要求1或2所述的基于确定学习与深度学习的心肌缺血危险分层方法，其特征在于，步骤2所述的对特征数据进行归一化处理的方法为min-max方法。4.根据权利要求3所述的基于确定学习与深度学习的心肌缺血危险分层方法，其特征在于，步骤4所述的卷积神经网络的训练包括前向训练和反向优化两个步骤，其中前向训练的具体过程如下：①卷积层操作:公式表达为：其中，l为卷积层数，k为卷积核，Mj为输入数据的集合，b为每个输出特征图的偏置，“*”表示卷积运算；②池化层操作：公式表达为：式中down(·)表示下采样函数。5.根据权利要求4所述的基于确定学习与深度学习的心肌缺血危险分层方法，其特征在于，步骤4所述的卷积神经网络的反向优化是采用有监督的学习方式进行调优，通过调优之后使得卷积神经网络模型中的每一层隐层...

【专利技术属性】
技术研发人员：孟婷婷，邓木清，范慧婕，王聪，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33