一种基于融合异源数据的宽深神经网络心肌梗死检测方法技术

本发明专利技术公开了一种基于融合异源数据的宽深神经网络心肌梗死检测方法，包括以下步骤：S1：数据预处理，读入12导联的心电信号的数据；S2：心拍数据提取；S3：异源数据预处理；S4：模型搭建，搭建联结12导联的心电信号与病人病历数据的宽深神经网络模型；S5：训练模型参数；S6:模型预测，对测试集样本进行自动识别，获得心肌梗死的二分类结果。本发明专利技术所述的一种基于融合异源数据的宽深神经网络心肌梗死检测方法，将心电数据与异源病人病历信息进行融合，采用宽深神经网络模型对多导联心电信号及异源病历数据进行联合建模，将心电数据与病人其他生理特征综合考虑，提升了心肌梗死的分类性能及判别准确率。判别准确率。判别准确率。

【技术实现步骤摘要】
一种基于融合异源数据的宽深神经网络心肌梗死检测方法


[0001]本专利技术涉及医学信号处理
，特别涉及一种基于融合异源数据的宽深神经网络心肌梗死检测方法。

技术介绍

[0002]随着人工智能技术的发展,智能辅助诊断系统因其快速、可靠的特点已成为最具前景的临床诊断解决方案。由于心电远程监护技术的迅速发展和普及，以及当下可穿戴设备的流行我们可以很容易地得到病人的心电信号以及其他生理特征。传统上，医生可以通过观察心电信号中蕴含的信息来判断病人是否患心肌梗死，然而仅通过观察变化微弱的心电信号来推断病人状态的过程是费力的，并且容易因复杂的心电变化而产生错误的判断。因此,利用计算机来进行智能辅助的诊断系统可以克服对心电信号的评估限制，从而更好的辅助医生对病人心肌梗死的患病情况进行推断。然而传统的辅助诊断系统在使用过程中往往存在以下问题：1.传统的辅助诊断系统仅是对病人心电信号中的信息进行实时的分析进而得到其中的有效信息。即通过提取表征心电图有效信息的特征向量，并将其输入到分类器算法中，得到预测的心拍类别，从而判断病人是否患心肌梗死，但是由于心电信号变化较为微弱且复杂，单一地使用心电信号来对病人状态进行推断往往效果达不到临床要求，使得检测的准确度降低；2.传统的辅助诊断系统不具备病历信息的采集功能，不便于提供更为可靠的实施效果；3.现有传统的辅助诊断系统适用范围窄，对于具有病历信息及心电信息的病人不适用，且不能充分利用信息检测，提高了检测难度。

技术实现思路

[0003]本专利技术的主要目的在于提供一种基于融合异源数据的宽深神经网络心肌梗死检测方法，可以有效解决
技术介绍
中的问题。
[0004]为实现上述目的，本专利技术采取的技术方案为：
[0005]一种基于融合异源数据的宽深神经网络心肌梗死检测方法，包括以下步骤：
[0006]S1：数据预处理，读入12导联的心电信号的数据,采用小波变换滤除原始心电信号中的工频干扰，采用巴特沃斯带阻滤波器滤除肌电干扰，采用中值滤波滤除原始心电信号中的基线漂移；
[0007]S2：心拍数据提取，通过小波变换检测R波位置，进而对R波前后数据点进行固定长度截取，从而完成对心拍数据提取；
[0008]S3：异源数据预处理，对于病人病历信息进行筛选，过滤出用户个人病历中与心肌梗死可能相关的特征进行预处理，并构建交叉特征；
[0009]S4：模型搭建，搭建联结12导联的心电信号与病人病历数据的宽深神经网络模型，宽度部分为广义线性回归模型，深度部分为七层全连接层，两个部分的输出各自构成损失函数的一部分；
[0010]S5：训练模型参数，初始化所述宽深神经网络的参数，将构建好的数据集拆分为训
练集和测试集；利用训练集样本对模型宽度与深度部分进行联合训练，生成所述宽深神经网络的参数并保存；
[0011]S6:模型预测，对测试集样本进行自动识别，获得心肌梗死的二分类结果。
[0012]优选的，所述S2具体包括：读取降噪后12导联的心电信号数据，对每个导联心电信号根据同一时刻R波峰值处的位置固定向前截取200个样本点，向后截取400个样本点，使得每个导联的每个心拍固定截取600个点的数据，对相同时刻R波顶点每个导联所截取的600个点的心电信号进行行级上的拼接，此时原始每个心拍的心电信号的数据形成12*600维的样本，作为宽深神经网络模型的输入数据X1。
[0013]优选的，所述S3具体包括：对病历信息进行筛选，过滤出与心肌梗死可能相关的信息，包括14个病人特征；对病历数据：性别X21、所属年龄段X22、血型X23、是否胸痛X24、是否胸闷X25、是否心绞痛X26、是否有先天性心脏病X27、是否有相关家族遗传病史X28、静息血压变化是否异常X29、血脂含量变化是否异常X2
10
、心肌酶含量变化是否异常X2
11
、C反应蛋白含量变化是否异常X2
12
、白细胞含量变化是否异常X2
13
、钙蛋白含量变化是否异常X2
14
这14个离散型特征，首先利用one
‑
hot方法进行编码，生成多维的互斥离散化向量，其中所属年龄段X22为10维互斥向量，血型X23为34维互斥向量，其他均为2维互斥向量，然后将生成的向量依次在行级上拼接，此时原始每个心拍的心电信号的数据形成64维的样本，作为宽深神经网络模型的输入数据X2；进而对这14个病人特征两两之间进行交叉，共进行91次交叉，得到91个交叉特征，对每个交叉特征使用one
‑
hot编码。
[0014]优选的，所述one
‑
hot编码，表示如下:其中，X2
k1
、X2
k2
分别表示第k次交叉的两个病人特征，为one
‑
hot向量，为张量积，φ表示将一个n
×
m矩阵的所有行合并成，转换成一个n*m维的向量，X3
k
表示第k个交叉特征，为one
‑
hot向量，维度为d(X2
k1
)*d(X2
k2
)，d(X2
k1
)、d(X2
k2
)各自表示第k次交叉的两个病人特征向量维度；将所有交叉特征向量在行级上拼接，共得到1660维向量，作为宽深神经网络模型输入X3，表示为：X3＝[X31,X32,..,X3
91
]∈R
1660
。
[0015]优选的，所述S4具体包括：
[0016]a.宽度模块，用于获取原始病人病历数据及叉乘后的病人特征，输入到广义线性回归模型中，使得在预测过程中考虑交叉特征，让模型具有可解释的记忆能力；
[0017]b.深度模块，用于获取心电信号及原始病人病历数据，对输入的数据通过多层全连接神经网络映射到低维稠密空间中，得到高层抽象特征，让模型具有泛化能力；
[0018]c.联合模块，将宽度模块与深度模块的输出结果输入到同一个sigmoid函数中，sigmoid函数的输出为宽深神经网络的整体预测结果，采用二元交叉熵作为宽深神经网络模型的损失函数。
[0019]优选的，所述宽度模块为广义线性回归模型，输入的数据为X，其中X是X2与X3在行级上的拼接，表示为：X＝[X2,X3]∈R
64+1660
，其中，X2∈R
64
，X3∈R
1660
，模型每个样本的输入数据均是64+1660维，其中64为病历数据one
‑
hot编码后的维度总和，1660为交叉特征one
‑
hot向量的维度总和，宽度将64+1660维数据X输入至线性模型中，输出心肌梗死预测结果，最终宽度模块的输出结果可表示为:output
wide
＝W
LRT
X+b，其中，W
LRT
为线性模型需学习的权重参数，X为输入数据，b为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于融合异源数据的宽深神经网络心肌梗死检测方法，其特征在于：包括以下步骤：S1：数据预处理，读入12导联的心电信号的数据,采用小波变换滤除原始心电信号中的工频干扰，采用巴特沃斯带阻滤波器滤除肌电干扰，采用中值滤波滤除原始心电信号中的基线漂移；S2：心拍数据提取，通过小波变换检测R波位置，进而对R波前后数据点进行固定长度截取，从而完成对心拍数据提取；S3：异源数据预处理，对于病人病历信息进行筛选，过滤出用户个人病历中与心肌梗死可能相关的特征进行预处理，并构建交叉特征；S4：模型搭建，搭建联结12导联的心电信号与病人病历数据的宽深神经网络模型，宽度部分为广义线性回归模型，深度部分为七层全连接层，两个部分的输出各自构成损失函数的一部分；S5：训练模型参数，初始化所述宽深神经网络的参数，将构建好的数据集拆分为训练集和测试集；利用训练集样本对模型宽度与深度部分进行联合训练，生成所述宽深神经网络的参数并保存；S6:模型预测，对测试集样本进行自动识别，获得心肌梗死的二分类结果。2.根据权利要求1所述的一种基于融合异源数据的宽深神经网络心肌梗死检测方法，其特征在于：所述S2具体包括：读取降噪后12导联的心电信号数据，对每个导联心电信号根据同一时刻R波峰值处的位置固定向前截取200个样本点，向后截取400个样本点，使得每个导联的每个心拍固定截取600个点的数据，对相同时刻R波顶点每个导联所截取的600个点的心电信号进行行级上的拼接，此时原始每个心拍的心电信号的数据形成12*600维的样本，作为宽深神经网络模型的输入数据X1。3.根据权利要求1所述的一种基于融合异源数据的宽深神经网络心肌梗死检测方法，其特征在于：所述S3具体包括：对病历信息进行筛选，过滤出与心肌梗死可能相关的信息，包括14个病人特征；对病历数据：性别X21、所属年龄段X22、血型X23、是否胸痛X24、是否胸闷X25、是否心绞痛X26、是否有先天性心脏病X27、是否有相关家族遗传病史X28、静息血压变化是否异常X29、血脂含量变化是否异常X2
10
、心肌酶含量变化是否异常X2
11
、C反应蛋白含量变化是否异常X2
12
、白细胞含量变化是否异常X2
13
、钙蛋白含量变化是否异常X2
14
这14个离散型特征，首先利用one
‑
hot方法进行编码，生成多维的互斥离散化向量，其中所属年龄段X22为10维互斥向量，血型X23为34维互斥向量，其他均为2维互斥向量，然后将生成的向量依次在行级上拼接，此时原始每个心拍的心电信号的数据形成64维的样本，作为宽深神经网络模型的输入数据X2；进而对这14个病人特征两两之间进行交叉，共进行91次交叉，得到91个交叉特征，对每个交叉特征使用one
‑
hot编码。4.根据权利要求3所述的一种基于融合异源数据的宽深神经网络心肌梗死检测方法，其特征在于：所述one
‑
hot编码，表示如下:其中，X2
k1
、X2
k2
分别表示第k次交叉的两个病人特征，为one
‑
hot向量，为张量积，φ表示将一个n
×
m矩阵的所有行合并成，转换成一个n*m维的向量，X3
k
表示第k个交叉特征，为one
‑
hot向量，维度为d(X2
k1
)*d(X2
k2
)，d(X2
k1
)、d(X2
k2
)各自表示第k次交叉的两个病人特征向量维度；将所有交叉特征向
量在行级上拼接，共得到1660维向量，作为宽深神经网络模型输入X3，表示为：X3＝[X31,X32,..,X3
91
]∈R
1660
。5.根据权利要求1所述的一种基于融合异源数据的宽深神经网络心肌梗死检测方法，其特征在于：所述S4具体包括：a.宽度模块，用于获取原始病人病历数据及叉乘后的病人特征，输入到广义线性回归模型中，使得在预测过程中考虑交叉特征，让模型具有可解释的记忆能力；b.深度模块，用于获取心电信号及原始病人病历数据，对输入的数据通过多层全连接神经网络映射到低维稠密空间中，得到高层抽象特征，让模型具有泛化能力；c.联合模块，将宽度模块与深度模块的输出结果输入到同一个sigmoid函数中，sigmoid函数的输出为宽深神经网络的整体预测结果，采用二元交叉熵作为宽深神经网络模型的损失函数。6.根据权利要求5所述的一种基于融合异源数据的宽深神经网络心肌梗死检测方法，其特征在于：所述宽度模块为广义线性回归模型，输入的数据为X，其中X是X2与X3在行级上的拼接，表示为：X＝[X2,X3]∈R
64+1660
，其中，X2∈R
...

【专利技术属性】
技术研发人员：张蓝天，吴松，
申请(专利权)人：北京芯动卫士科技有限公司，
类型：发明
国别省市：