【技术实现步骤摘要】
一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法
本专利技术涉及计算机辅助诊断
，尤其涉及一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法。
技术介绍
随着穿戴式设备的日益盛行，无创式心脏功能评估领域成为当今研究热点。常规的心脏功能检测手段，包括心电图(Electrocardiogram，即ECG)、心磁图、心音、心阻抗图等，均需在人体体表附着电极等检测设备，对监测环境、条件及操作人员具有一定的要求，且给受试者的日常生活造成极大的不便。尤其阵发性房颤具有发作时间不确定，发作突然且临床表现不明显等特点，因此迫切需要一种非接触式实时监测心脏功能的的方法。心冲击信号(Ballistocardiogram，即BCG)通过检测心脏搏动传导至体表的微弱振动，间接反映心脏的工作状态，是一种无感评估人体心脏动力学性能的先进检测手段。但BCG信号存在幅值微弱、易受干扰等特点且缺少较为完善的数据库，卷积神经网络(ConvolutionalNeuralNetworks，CNN)等深度学习常见模型，对输入数据量具有一定的要求，通常需要大批量的数据来进行网络的训练及调试，因此不适...
【技术保护点】
1.一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法，其特征在于：包括以下步骤：步骤1：对同步实测的ECG信号、BCG信号及现房颤疾病数据库中的ECG信号进行预处理，并针对房颤疾病的特点，设定所有信号数据的分帧长度为24秒，作为神经网络的输入向量；步骤1.1：采集同一受试者的同步ECG信号、BCG信号，并分别对其信号进行归一化处理，以获取实测数据；步骤1.2：从现有的房颤疾病数据库中获取房颤ECG信号，并根据实测ECG信号的采样频率，对数据库中获取的ECG信号进行重采样处理，使其与步骤1.1中的实测数据采样频率一致；步骤1.3：针对房颤疾病的特点，设定所有信号数据的分帧长...
【技术特征摘要】
1.一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法，其特征在于：包括以下步骤：步骤1：对同步实测的ECG信号、BCG信号及现房颤疾病数据库中的ECG信号进行预处理，并针对房颤疾病的特点，设定所有信号数据的分帧长度为24秒，作为神经网络的输入向量；步骤1.1：采集同一受试者的同步ECG信号、BCG信号，并分别对其信号进行归一化处理，以获取实测数据；步骤1.2：从现有的房颤疾病数据库中获取房颤ECG信号，并根据实测ECG信号的采样频率，对数据库中获取的ECG信号进行重采样处理，使其与步骤1.1中的实测数据采样频率一致；步骤1.3：针对房颤疾病的特点，设定所有信号数据的分帧长度为24秒，作为神经网络的输入向量；步骤1.4：应用实测ECG信号作为诊断标准，将每一帧实测同步BCG信号标记为房颤和非房颤二类，其中，房颤标定为1，非房颤标定为0；步骤1.5：将70％的实测BCG数据作为训练集、20％的实测BCG数据作为验证集、10％的实测BCG数据作为测试集；步骤2：构建进行房颤辅助检测的卷积神经网络；所述卷积神经网络包括4层卷积层、6层池化层和1层Flatten层以及3层全连接层，具体设计方法为：步骤2.1：以分帧长度为24秒的数据库中获取的ECG信号作为输入向量，确定输入层的神经元数目；步骤2.2：构建两个特征提取模块和一个降维模块；其中，第一个特征提取模块包括两层卷积层和两层池化层，第二个特征提取模块包括四层卷积层与四层池化层；降维模块包括一层Flatten层及三层全连接层；步骤2.3：设计输出层为2个神经元，0-1组合判定为非房颤，1-0组合判定为房颤，0-0及1-1组合则需要进行二次判定；步骤3：训练所构建的卷积神经网络并进参数更新：应用从数据库中获取的房颤ECG数据对卷积神经网络进行逐层预训练并更新网络参数；然后固定第一层卷积层和第二层卷积层的网络参数，以实测BCG信...
【专利技术属性】
技术研发人员：蒋芳芳，徐敬傲，宋博文，卢正毅，李任，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。