基于CNN模型与LSTM模型的预测诊断心衰方法系统及诊断设备、存储介质技术方案

本发明专利技术涉及心力衰竭识别预测领域，特别是基于CNN模型与LSTM模型的预测诊断心衰方法、系统及诊断设备、存储介质。所述方法包括采集12导联的心电信号，按预设采样率数字化所述心电信号生成ECG心电数据集；预处理所述ECG心电数据集，检测QRS波确定R

【技术实现步骤摘要】
基于CNN模型与LSTM模型的预测诊断心衰方法系统及诊断设备、存储介质


[0001]本专利技术涉及心力衰竭识别预测领域，特别是基于CNN模型与LSTM模型的预测诊断心衰方法系统及诊断设备、存储介质。

技术介绍

[0002]心力衰竭是各种心脏病在严重阶段的临床综合征，也称为充血性心力衰竭。这种情况是由心室泵的血液填充功能不足引起的。心脏泵功能不佳会导致心脏排出量不足，无法满足身体代谢的需要。此外，组织和器官的血液灌注变得不足，并且可能发生肺和全身循环的充血。在世界范围内，超过2300万患者受到心力衰竭的影响，导致重大公共卫生问题和巨大的经济负担，在美国，护理心力衰竭患者的总成本为310亿美元，预计到2030年，这一数字将增加到700亿美元。美国人将心力衰竭分为四个等级，只有三级和四级患者表现出明显的症状；在低收入和中等收入国家，心脏病的治疗费用是最高的。
[0003]超声心动图常用于医院诊断心力衰竭。这种仪器使用超声波来测量每搏输出量、舒张末期容积和这两个量之间的比率，也称为射血分数。慢性收缩期心力衰竭的一般射血分数应在50％至70％之间，小于40％。心电图是检测心力衰竭的另一种方法，标准的12导联心电图仍然是诊断和预后充血性心力衰竭患者最有用的工具，信号处理技术和生物医学分析可以进一步提高诊断的可靠性。近年来，许多研究人员致力于利用心电图检测心力衰竭。
[0004]心电图诊断仍然非常重要，但目前的人工心电图解释需要专业知识，并且容易出现观察者间的差异。因此，计算机辅助诊断是心电心梗的自动检测的趋势。但对于目前的自动诊断设备，尚还没有能够基于标准的12导联心电图预测诊断心力衰竭的方法。

技术实现思路

[0005]本专利技术的目的在于提供一种基于CNN模型与LSTM模型的预测诊断心衰方法、系统及诊断设备、存储介质，以实现自动通过12导联心电信号获得心力衰竭预测诊断结果，提高识别的准确度及提高诊断率。
[0006]为实现上述技术目的，达到上述技术效果，本专利技术提供了一种基于CNN模型与LSTM模型的预测诊断心衰方法，所述预测诊断心衰方法包括：
[0007]采集12导联的心电信号，按预设采样率数字化所述心电信号生成ECG心电数据集；
[0008]预处理所述ECG心电数据集，去除高频噪声、力线干扰及过滤由低频噪声引起的基线漂移；
[0009]检测QRS波确定R
‑
峰；
[0010]学习训练组合CNN模型与LSTM模型，利用训练好的组合CNN模型与LSTM模型进行心力衰竭的诊断，输出结果为正常或心衰。
[0011]进一步地，所述12导联的心电信号中地理心梗位置根据相邻心电信号向量的不同分组中心梗心电图干扰的存在来描述；
[0012]所述每个导联的心电信号采样率设置为1000赫兹。
[0013]进一步地，所述方法包括：
[0014]通过低频且衰减高频的10点移动平均滤波器，对心电信号进行滤波，去除由患者在记录期间肌肉收缩引起的高频噪声；
[0015]基于导数的高通滤波器,过滤由低频噪声引起的基线漂移；
[0016]采用梳状滤波器，衰减设定频带及谐波，从心电信号中消除60Hz电力线对其谐波的力线干扰。
[0017]进一步地，所述“学习训练组合CNN模型与LSTM模型”步骤包括：
[0018]使用无监督数据逐层训练编码器；
[0019]用监督数据训练CNN模型的最后一层；
[0020]采用反向传播算法训练CNN模型。
[0021]进一步地，所述方法包括：
[0022]将心电信号向量矩阵经过卷积层和最大池化层后得到结果作为输入向量按照预设顺序输入LSTM层。
[0023]进一步地，所述方法包括：
[0024]所述CNN模型包括10层特征提取模块，所述10层特征提取模块结构依次为：第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、第四卷积层、第四最大池化层、第五卷积层、第五最大池化层。
[0025]进一步地，所述方法包括：
[0026]所述LSTM模型由信号流经的存储单元块组成，包含三个门部分：输入门、遗忘门和输出门，所述三个门部分控制存储单元的输入激活，重置存储单元的存储，并控制进入网络的输出流；
[0027]通过计算网络的单位激活，计算从输入到输出的映射。
[0028]作为本专利技术的又一方面，提供一种基于CNN模型与LSTM模型的预测诊断心衰系统，所述预测诊断心衰方法包括：
[0029]数据采集模块，用于采集12导联的心电信号，按预设采样率数字化所述心电信号生成ECG心电数据集；
[0030]预处理模块，用于预处理所述ECG心电数据集，去除高频噪声、力线干扰及过滤由低频噪声引起的基线漂移；
[0031]检测模块，用于检测QRS波确定R
‑
峰；
[0032]模型训练模块，用于学习训练组合CNN模型与LSTM模型；
[0033]心衰诊断模块，用于利用训练好的组合CNN模型与LSTM模型进行心力衰竭的诊断，输出结果为正常或心衰。
[0034]作为本专利技术的再一方面，提供一种诊断设备，所述诊断设备包括：存储器、处理器，通信总线以及存储在所述存储器上的基于CNN模型与LSTM模型的预测诊断心衰程序，
[0035]所述通信总线用于实现处理器与存储器间的通信连接；
[0036]所述处理器用于执行所述基于CNN模型与LSTM模型的预测诊断心衰程序，以实现如上述任一项所述的基于CNN模型与LSTM模型的预测诊断心衰方法的步骤。
[0037]作为本专利技术的另一方面，提供一种存储介质，所述存储介质上存储有基于CNN模型
与LSTM模型的预测诊断心衰程序，所述基于CNN模型与LSTM模型的预测诊断心衰程序被处理器执行时实现如上述任意一项所述基于CNN模型与LSTM模型的预测诊断心衰方法的步骤。
[0038]本专利技术实施例至少部分实现了如下技术效果：
[0039]本专利技术方法基于特征排序的标准12导联心电信号对心衰进行检测，将采集标准12导联心电信号输入组合的CNN和LSTM模型进行ECG信号的预处理、QRS检测、并结合使用深度学习的心电图特征提取和传统人工神经网络的心电图信号分类，提取特征并对其进行排序，实现自动特征提取和选择，从而达到预测诊断心衰，实现心衰预警。本专利技术方法预测诊断的准确度高，不涉及个人判断因素，且速度快，能够有效节约医疗资源，提供诊断率。
[0040]本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所记载的结构来实现和获得。
[0041]下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
附图说明
[0042]附图用来提供对本专利技术的进一步理解，并且构成本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN模型与LSTM模型的预测诊断心衰方法，其特征在于，所述预测诊断心衰方法包括：采集12导联的心电信号，按预设采样率数字化所述心电信号生成ECG心电数据集；预处理所述ECG心电数据集，去除高频噪声、力线干扰及过滤由低频噪声引起的基线漂移；检测QRS波确定R
‑
峰；学习训练组合CNN模型与LSTM模型，利用训练好的组合CNN模型与LSTM模型进行心力衰竭的诊断，输出结果为正常或心衰。2.如权利要求1所述的基于CNN模型与LSTM模型的预测诊断心衰方法，其特征在于，所述12导联的心电信号中地理心梗位置根据相邻心电信号向量的不同分组中心梗心电图干扰的存在来描述；所述每个导联的心电信号采样率设置为1000赫兹。3.如权利要求1所述的基于CNN模型与LSTM模型的预测诊断心衰方法，其特征在于，所述方法包括：通过低频且衰减高频的10点移动平均滤波器，对心电信号进行滤波，去除由患者在记录期间肌肉收缩引起的高频噪声；基于导数的高通滤波器,过滤由低频噪声引起的基线漂移；采用梳状滤波器，衰减设定频带及谐波，从心电信号中消除60Hz电力线对其谐波的力线干扰。4.如权利要求1所述的基于CNN模型与LSTM模型的预测诊断心衰方法，其特征在于，所述“学习训练组合CNN模型与LSTM模型”步骤包括：使用无监督数据逐层训练编码器；用监督数据训练CNN模型的最后一层；采用反向传播算法训练CNN模型。5.如权利要求1所述的基于CNN模型与LSTM模型的预测诊断心衰方法，其特征在于，所述方法包括：将心电信号向量矩阵经过卷积层和最大池化层后得到结果作为输入向量按照预设顺序输入LSTM层。6.如权利要求1所述的基于CNN模型与LSTM模型的预测诊断心衰方法，其特征在于，所述方法包括：所述CNN模型包括10层特征提取模块，所述10层特征提取模块结构依次为：第一卷...

【专利技术属性】
技术研发人员：李灯熬，赵菊敏，秦伟原，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：