一种基于密集卷积神经网络的心电图卒中辅助诊断方法技术

本发明专利技术提供一种基于密集卷积神经网络的心电图卒中辅助诊断方法。本发明专利技术方法首先建立初期数据库，分配训练集和测试集；然后将训练集作为原始训练数据输入到密集卷积神经网络中进行参数训练，得到基本的心电图卒中诊断模型；最后将测试集作为输入数据输入到获得的心电图卒中诊断模型中进行识别，得到识别结果。本发明专利技术提出了一种消除人为约束、减少主观因素的深度神经网络，使模型能够自动提取特征，探索脑卒中与心电图的关系，不仅自动提取卒中分类相关的特种，并且能够很好的节省计算机的资源，同时在精度上也能够达到要求。

【技术实现步骤摘要】
一种基于密集卷积神经网络的心电图卒中辅助诊断方法
本专利技术涉及心电图信号研究，卒中辅助诊断领域，尤其涉及一种基于密集卷积神经网络的心电图卒中辅助诊断方法。
技术介绍
中风是导致死亡的第二大主要原因，在世界中占总死亡率的11.1％。有多种导致中风的机制，例如微血管疾病，心房颤动和心脏病。由于大脑依赖于通过循环系统输送的氧气和血糖，血液供应中断将导致微血管疾病，从而导致中风和痴呆。从系统的观点来看，人体器官在功能上相互关联。脑部和心脏是两个重要器官，它们的任何一个发生功能异常都会影响另一种器官的功能。心脏疾病可对脑部疾病产生反应，而心电图是诊断多种心脏病的一种普遍方法，因此有关于心电图的数据集足够充足的。一个大的数据集实际上是不可能被医生一次进行肉眼排查的，因此在心电图的数据信息中存在很大潜力进行研究。因此，需要设计一个计算机辅助诊断(CAD)系统来自动检测异常心跳。到目前为止，大多数用于心电信号分类的CAD仅仅依靠人工从心电信号中提取特征，包括心率变异性(HRV)指标、形态特征(P波缺失、QRS间隔延长)。传统的基于机器学习的方法例如线本文档来自技高网...

【技术保护点】
1.一种基于密集卷积神经网络的心电图卒中辅助诊断方法，其特征在于，其步骤包括：/n步骤(1)、建立初期数据库，分配训练集和测试集；/n步骤(2)、将训练集作为原始训练数据输入到密集卷积神经网络中进行参数训练，得到基本的心电图卒中诊断模型；/n步骤(3)、将测试集作为输入数据输入到获得的心电图卒中诊断模型中进行识别，得到识别结果；/n首先将测试集中的相关12导联心电图的图像大小统一成256*256，将处理后的测试集数据输入心电图卒中诊断模型中，得到识别结果。/n

【技术特征摘要】
1.一种基于密集卷积神经网络的心电图卒中辅助诊断方法，其特征在于，其步骤包括：
步骤(1)、建立初期数据库，分配训练集和测试集；
步骤(2)、将训练集作为原始训练数据输入到密集卷积神经网络中进行参数训练，得到基本的心电图卒中诊断模型；
步骤(3)、将测试集作为输入数据输入到获得的心电图卒中诊断模型中进行识别，得到识别结果；
首先将测试集中的相关12导联心电图的图像大小统一成256*256，将处理后的测试集数据输入心电图卒中诊断模型中，得到识别结果。


2.根据权利要求1所述的一种基于密集卷积神经网络的心电图卒中辅助诊断方法，其特征在于，步骤(1)、建立初期数据库，分配训练集和测试集，具体步骤如下：
通过对医院提供的相关12导联心电图的整理以及添加修改，具体来说删除心电图波形不明显的图片，对心电图进行初期的偏移校正；并且根据有无卒中将12导联心电图标记对应标签，其中有卒中现象的标记为1，无卒中现象的标记为0，将12导联心电图数据以及对应标签进行整合得到初期的数据库，将上述建立的数据集以随机划分的方式进行划分得到训练集和测试集。


3.根据权利要求2所述的一种基于密集卷积神经网络的心电图卒中辅助诊断方法，其特征在于，步骤(2)、将训练集作为原始训练数据输入到密集卷积神经网络中进行参数训练，得到基本的心电图卒中诊断模型，具体方法如下：
将训练集作为原始数据输入到密集卷积神经网络，密集卷积神经网络以监督学习方式进行参数训练；
首先将训练集中的相关12导联心电图的图像大小统一成256*256，将处理后的训练集数据输入初始卷积层，得到特征图输出x0，然后将x0作为第一密集网络的输入，得到第一密集网络的输出x1，所述的第一密集网络中包含5个密集块，然后对x1进行平均池化操作后，将经过平均池化操作后的x1作为第二密集网络的输入，得到第二密集网络的输出x2，所述的第二密集网络中包含5个密集块，然后对x2进行平均池化操作后，将经过平均池化操作后的x2作为第三密集网络的输入，得到第三密集网络的输出x3，所述的第三密集网络中包含4个密集块，将获得的第三密...

【专利技术属性】
技术研发人员：颜成钢，谢益峰，孙垚棋，张继勇，张勇东，
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