一种基于心脏功能监控的卷积神经网络信息处理系统及训练方法技术方案

本发明专利技术公开了一种基于心脏功能动态监控的卷积神经网络信息处理系统及方法，信息处理系统包括一个14层高效卷积神经网络。卷积神经网络信息处理技术应用于便携式心脏智能贴片系统，以可穿戴设备的形式佩戴于人体胸壁，对心脏机械振动进行体外监测，连续地、实时非侵入地获取心脏的振动信息，结合数字处理、机器学习和人工智能技术模式识别和智能诊断，早期发现心脏物理结构和搏动节律异常，如瓣膜病变、心脏壁的运动异常、心脏射血分数改变、心律失常等。结合预警报告系统，实现心脏疾病早预警与及时医护的目的。对严重心律失常、心绞痛、急性心肌梗死的早期预警监测，对照手术后康复监测，居家养老人群，体育运动人群的日常监护意义重大。

A convolutional neural network information processing system and training method based on heart function monitoring

【技术实现步骤摘要】
一种基于心脏功能监控的卷积神经网络信息处理系统及训练方法
本专利技术属于智能医疗器械
，具体涉及一种基于心脏功能动态监测与分析的卷积神经网络信息处理系统及训练方法。
技术介绍
心脏疾病是人类第一号杀手，今天全球有数以十亿计的心脏病患者，需要得到及时、适当和成本可负担的医疗护理。传统的心电图（ECG）只能发现心电信号异常，对心脏物理结构本身的缺损、病变、老化、功能丧失（如心肌部分坏死）却作用不大或无能为力。超声心动图、计算机断层扫描（CT）、磁共振成像（MRI）及心肌灌注核素扫描等检测手段需要大型设备和专业人员操作，检测成本高，且难以做到随时随地监测，失去宝贵的病理信息和抢救机会。近年来，随着微机电系统（MEMS）技术的发展和人群健康需求的提高，针对心脏健康监测的便携式可穿戴设备成为了热门研究领域。但大部分研究和产品基于传统的ECG，PranavRajpurkar报道过，对来自可穿戴设备的数万份单导联ECG进行了分析，使用一个34层的卷积神经网络（CNN），对心律失常的诊断能力可以达到人类医学专家的水平。但由于ECG技术本身的局限性，并不能及时、完整地反映心脏的健康状态，所以研究人员很早就注意到体外心脏振动信号能反映出心脏的结构和功能变化，以弥补ECG的不足，试图为心脏疾病无创监测提供新的途径。早在1991年报道，Salerno等学者首次在临床中观察到心肌缺血患者的心脏振动谱异于正常人，并提出SCG（Seismocardiogram，SCG，由心脏运动对胸壁产生的加速度所绘制的图谱）可能对冠心病患者的左心室功能监测有帮助。科技人员进一步研究发现SCG能够估计出心脏的血流动力学参数，如射血前期时间、左室射血时间、射血分数等，进而评估心脏功能。大部分研究均局限于实验室环境下，2010年的MagIC-SCG是第一款可以在日常活动中连续采集心脏电机械信号的可穿戴设备。该系统包含两个ECG电极、一个压力传感器、一个三轴加速度传感器和一个数据储存及传输模块，所有模块被封装在一件特制的上衣内。数据通过蓝牙传输到计算机设备进行计算、分析和可视化。可以分析出的指标包括心率、呼吸次数和一些血流动力学参数。2017年中国台湾学者专利技术了一套基于多通道SCG和ECG联合分析的心脏疾病早期预警系统。其传感器包括三个ECG电极，4个加速度传感器，分布在人体四肢、胸壁等不同位置。传感器数据先传送至智能手机，再传输至云端服务器进行计算分析。通过对ECG和4通道SCG数据联合分析，最终达到88%的预警准确度。迄今为止，大部分学者是所采取的技术手段是将SCG和GCG（Gyrocardiography，GCG，由心脏运动对胸壁产生的旋转角速度所绘制的图谱）数据融合，取得了较好的效果。也有人直接采用智能手机内置的传感器，如JafariTadi等用智能手机内置的三轴加速度传感器和陀螺仪检测房颤，准确度也是很高的，但是数据计算和分析仍然需要离线进行。NgSengHooi等人2018年利用加速度传感器对心脏瓣膜开合引起的振动进行监测分析，再一次验证了SCG对于心脏早期物理病变的预警价值，但整个实验停留在理论概念验证阶段，没有提出一套商业上可行的实施方案。综上所述，现有技术和产品存在着：其一数据分析处理和疾病诊断依赖于云端平台或离线计算机设备，实时性差，影响了即时响应，即时处置的实用性，数据可用性低。其二是配套的可穿戴设备结构复杂，成本高，使用不便。其三是软件算法模型简单，导致疾病诊断能力弱。其四未考虑数据安全性问题；其五没有考虑心脏预警，手术康复与居家养老等商业化服务模式。本专利技术人多年潜心研究心脏动态信号，尤其基于振动信号采集与分析，以及心脏疾病诊断方面的研究，让基于SCG+GCG的数据采集与分析技术的小型化与智能化，直接应用于远程心脏机能的动态预警，手术的康复、居家养老的心脏功能的实时跟踪服务的商业化网络系统研究与应用，为人类健康事业做一些实实在在的贡献。
技术实现思路
本专利技术第一目的在于提供一种基于心脏功能智能监测与分析的卷积神经网络系统，另一目的在于提供基于心脏功能动态监测与分析的卷积神经网络处理方法。本专利技术第一目的是这样实现的，基于心脏功能动态监控的卷积神经网络信息处理系统，所述信息处理系统包括一个14层高效卷积神经网络；所述卷积神经网络的输入为心脏振动信号经过连续小波变换所形成的二维时间-频率图，输入图像的大小固定且归一化。所述卷积神经网络包含6个残差块，每个块有2个卷积层；所述卷积核大小固定为3×3，卷积核个数为8k，其中k初始值为1，以后每增加一个残差块k增加1，即第1个残差块的卷积核个数为8，第6个残差块的卷积核个数为48；所述每一个残差块会对输入进行2倍下采样，经过6个残差块后，网络输出维度将减小为输入图像的1/26；所述每个旁路残差连接通过最大值池化的方法对输入进行2倍下采样，保持维度一致，然后对应元素相加；所述卷积神经网络最后会经过一个全连接层，通过Softmax函数（归一化指数函数）输出各个分类的归一化概率值。取概率最大值所对应的分类作为网络的最终输出结果。本专利技术另一目的是这样实现的，基于心脏功能动态监测与分析的卷积神经网络离线训练方法，所述卷积神经网络的离线训练，包括下列步骤：（1）对样本的振动信号滤波降噪等预处理；（2）经过小波变换得到时频图，输入卷积神经网络，得到输出结果（诊断标号组成的向量）；（3）与人工标注的真实结果进行对比，采用交叉熵损失函数进行训练，即优化：其中i为分类标签的下标，yi为真实值，ai为网络输出值。用随机梯度下降法（SGD）不断循坏迭代，修改网络权重参数，直至误差收敛；（4）在推断阶段，如果卷积神经网络的输出为“窦性心律”，这是一种正常情况，不会触发预警机制，系统会继续循环运行；（5）如果出现了除“窦性心律”以外的情况，则被认为是异常情况，定义为一次心脏“事件”，进入预警流程。本专利技术卷积神经网络信息处理技术应用于便携式心脏智能贴片系统，以可穿戴设备的形式佩戴于人体胸壁，对心脏机械振动进行体外监测，连续地、实时非侵入地获取心脏的振动信息，结合数字处理、机器学习和人工智能技术进行模式识别和智能诊断，从而早期发现心脏物理结构和搏动节律的异常，比如瓣膜病变、心脏壁的运动异常、心脏射血分数改变、心律失常等。同时结合预警报告系统，实现心脏疾病早期预警和及时医护的目的。对严重心律失常（如房颤、室速、室颤）、心绞痛、急性心肌梗死的早期预警监测，手术后康复监测，居家养老人群，体育运动人群的日常监护有着重大意义。附图说明图1为本专利技术卷积神经网络系统架构关系框图；图2为本专利技术神经网络的离线训练过程图；图3为本专利技术之心脏智能贴片系统架构关系框图；图4为本专利技术心脏智能贴片结构关系框图（方框内为智能芯片）。具体实施方式下面将结合附图与实施例对本专利技术作进一步的说明，但不以任何方式对本专利技术加以限制，基于本专利技术的教导所作的本文档来自技高网...

【技术保护点】
1.一种基于心脏功能动态监控的卷积神经网络信息处理系统，其特征在于，所述信息处理系统包括一个14层高效卷积神经网络；/n所述卷积神经网络的输入为心脏振动信号经过连续小波变换所形成的二维时间-频率图，输入图像的大小固定且归一化;/n所述卷积神经网络包含6个残差块，每个块有2个卷积层；/n所述卷积核大小固定为3×3，卷积核个数为8k，其中k初始值为1，以后每增加一个残差块k增加1，即第1个残差块的卷积核个数为8，第6个残差块的卷积核个数为48；/n所述每一个残差块会对输入进行2倍下采样，经过6个残差块后，网络输出维度将减小为输入图像的1/2

【技术特征摘要】
1.一种基于心脏功能动态监控的卷积神经网络信息处理系统，其特征在于，所述信息处理系统包括一个14层高效卷积神经网络；
所述卷积神经网络的输入为心脏振动信号经过连续小波变换所形成的二维时间-频率图，输入图像的大小固定且归一化;
所述卷积神经网络包含6个残差块，每个块有2个卷积层；
所述卷积核大小固定为3×3，卷积核个数为8k，其中k初始值为1，以后每增加一个残差块k增加1，即第1个残差块的卷积核个数为8，第6个残差块的卷积核个数为48；
所述每一个残差块会对输入进行2倍下采样，经过6个残差块后，网络输出维度将减小为输入图像的1/26;
所述每个旁路残差连接通过最大值池化的方法对输入进行2倍下采样，保持维度一致，然后对应元素相加;
所述卷积神经网络最后会经过一个全连接层，通过Softmax函数（归一化指数函数）输出各个分类的归一化概率值，取概率最大值所对应的分类作为网络的最终输出结果。


2.根据权利要求1所述的基于心脏功能动态监测与分析的卷积神经网络信息处理系统数，其特征在于，所述旁路的残差连接也通过最大值池化（max-pool）方法进行2倍下采样，保证维度一致。


3.根据权利要求1所述的基于心脏功能动态监测与分析的卷积神经网络信息处理系统，其特征在于，所述卷积层后面连接一个批量归一化层（BN）。


4.根据权利要求1所述的基于心脏功能动态监测与分析的卷积神经网络信息处理系统，其特征在于，所述卷积层内部的激活函数为线性整流单元（ReLu）。


5.根据权利要求1所述的基于心脏功能动态监测与分析的卷积神经网络信息处理系统，其特征在于，所述卷积层结束后会经过一个全连接层（Dense），以增强非线性映射能力。


6.根据权利要求1所述的基于心脏功能动态监测与分析的卷积神经网络信息处理系统，其特征在于，所述卷积神经网络最终通过Softmax层输出18个分类的归一化概率，根据概率大小对诊断分类进行筛选和排序，输出的分类如下表：
心脏功能信息诊断分类对比表









编号
类别名称
备注


0
心房颤动
心律失常


1
心房扑动
心律失常


2
II度1型房室传导阻滞
心律失常


3
II度2型房室传导阻滞
心律失常


4
室性早搏二联律
心律失常


5
室性早搏三联律
心律失常


6
完全性房室传导阻滞
心律失常


7
异位心房节律
心律失常


8
心室自主心律
心律失常


9
交界性心律
心律失常

<...

【专利技术属性】
技术研发人员：王江源，王满，
申请(专利权)人：王满，王江源，
类型：发明
国别省市：北京;11