一种基于人工神经网络的心脏病诊断研究方法技术

本发明专利技术提供了一种基于人工神经网络的心脏病诊断研究方法，系统包括：包括心音数据预处理模块、心电数据预处理模块、心音诊断预测模型、心电诊断预测模型和数据融合分级诊断模型；所述心电诊断预测模型包括，数据输入层、编码自注意力层和前馈神经网络层；本发明专利技术属于涉及人工智能心脏病领域，本发明专利技术的优点在于：心音诊断预测模型、心电诊断预测模型和数据融合分级诊断模型综合利用心音数据和心电数据，进行心脏疾病的准确诊断；数据融合分级诊断模型中的自组织层根据获胜神经元距聚类中心的距离，即可按照病情的严重程度给出分级诊断结果；编码自注意力层的注意力机制，无需按时间顺序处理采样数据，可并行化计算，可达到实时诊断的效果。诊断的效果。诊断的效果。

【技术实现步骤摘要】
一种基于人工神经网络的心脏病诊断研究方法


[0001]本专利技术涉及计算机领域，特别指一种基于人工神经网络的心脏病诊断研究方法。

技术介绍

[0002]心脏杂音是心脏疾病的临床体征之一，心脏杂音反映了心脏在收缩时候或舒张的时候，血管内的血液在心脏或身体内的血管内产生湍流，影响到心脏瓣膜或体内血管振动，从而产生异常的声音，某些杂音是诊断心脏病的主要依据，如在心尖区出现舒张中期伴收缩期前递增性隆隆样杂音，可诊断为二尖瓣狭窄，心脏杂音既可以和心音分开也可以和心音纠缠，有时候也会覆盖住心音；因此心音数据在心脏病诊断中占有非常重要的地位。
[0003]常规的心电图检查可以了解有无心律失常、心肌缺血、心肌梗死的存在，有无心脏的传导系统异常，比如左束支、右束支或者是房室传导阻滞，有无心脏的肥大，包括左心房、右心房的肥大，左心室、右心室的肥大。
[0004]但是传统依赖心音和心电的诊断方法的诊断结果严重依赖于心脏专科医师，并要求其有多年的临床经验；传统的心脏病诊断方式要么单一性考虑到心音，要么单一性考虑到心电，难以将心音与心电的采集信息进行综合利用；传统的基于循环神经网络的心脏诊断系统由于时序性考量，需要按时间顺序处理采样数据，不利于并行化计算，因此这种方式严重影响了诊断时间，不利于实时诊断。

技术实现思路

[0005]（一）要解决的技术问题为解决现有技术上的问题，本专利技术提供一种基于人工神经网络的心脏病诊断研究方法，其目的在于解决：（1）传统依赖心音和心电的诊断方法严重依赖于心脏专科医师，并要求其有多年的临床经验；（2）传统的人工智能算法无法按照病情的严重程度给出分级诊断结果；（3）传统的心脏病诊断方式要么单一性考虑到心音，要么单一性考虑到心电，难以将心音与心电的采集信息进行综合利用；（4）传统的基于循环神经网络的心脏诊断系统由于时序性考量，需要按时间顺序处理采样数据，不利于并行化计算，因此这种方式严重影响了诊断时间，不利于实时诊断。
[0006]（二）技术方案针对本专利技术要解决的技术问题，提出一种基于人工神经网络的心脏病诊断研究方法，包括心音数据预处理模块、心电数据预处理模块、心音诊断预测模型、心电诊断预测模型和数据融合分级诊断模型；所述心电诊断预测模型包括，数据输入层、编码自注意力层和前馈神经网络层：（1）数据输入层，将每个周期的原始心电数据均匀采样得到维度为1
×
512的心电数据EC，并将4个周期的心电数据EC合并得到4
×
512的心电数据EC1，将心电数据进行位置
编码嵌入得到心电数据EC2，进行位置编码的原因是由于心电数据EC1的处理方式是一次输入集中处理，从而忽略了数据之间的时序关系，因此需对心电数据EC1进行位置编码来描述心电数据EC1各个分量之间的先后关系。
[0007]（2）编码自注意力层，对输入到编码自注意力层的心电数据EC2计算各个周期分量之间的相关性，具体操作步骤如下：S1、随机生成特征提取矩阵W
q
、W
k
和W
v
，并将特征提取矩阵W
q
、W
k
和W
v
设置为不可训练，所述特征提取矩阵W
q
、W
k
和W
v
的维度均为512
×
64；S2、产生查寻矩阵Q、键矩阵K和值矩阵V，其中查寻矩阵Q、键矩阵K和值矩阵V的维度均为4
×
64；S3、计算注意力分数Attention
‑
Score，注意力分数Attention
‑
Score的维度为4
×
64：S4、引入多头机制计算多头注意力分数Multi
‑
Self
‑
Attention，重复执行S1、S2和S3，生成8个注意力分数Attention
‑
Score，并将这8个注意力分数按列拼接，得到多头注意力分数Multi
‑
Self
‑
Mttention，其维度为4
×
512；S5、进行残差相加操作得到编码自注意力层的输出O，其维度为4
×
512，每一列使用C1、C2、C3和C4代表，其维度均为1
×
512。
[0008]（3）前馈神经网络层，包括4个BP神经网络，每个BP神经网络均由第一层中间隐层和第二层中间隐层构成，其中第一层中间隐层和第二层中间隐层均含有64个神经元，所述前馈神经网络层的输入为编码自注意力层的输出O的每一列C1、C2、C3和C4，具体计算步骤如下：S1、分别将C1、C2、C3和C4输入到对应的BP神经网络中计算得到F1、F2、F3和F4：S2、进行残差相加和归一化操作。
[0009]作为优选地，所述心音诊断预测模型的结构与心电诊断预测模型的结构相同，但是参数不同，输入数据为原始心音数据，所述心音诊断预测模型的输出为D1、D2、D3和D4。
[0010]进一步地，所述数据融合分级诊断模型为一种组合神经网络，包括融合输入层、自组织层和分级输出预测层：所述融合输入层包含有512个神经元，所述自组织层的神经元为棋盘状排列，包含5
×
125个神经元，其中每5
×
5的区域称为一个组，则自组织层共有25个组；所述分级输出预测层含有25个神经元；所述融合输入层的每个神经元与自组织层的每个神经元相互连接，所述分级输出预测层的每个神经元只与自组织层中的一个组进行权连接，且连接权重恒为1，数据融合分级诊断模型的训练的具体步骤如下：S1、将心音诊断预测模型的输出D1、D2、D3和D4和心电诊断预测模型的输出F1、F2、F3和F4进行数据合并，得到数据维度为512
×
1的向量H；S2、初始化，对自组织层的权向量进行随机小数赋值，并进行归一化处理，得到W
j
，建立初始优胜邻域N
j
，优胜邻域N
j
是获胜神经元权值调整的区域，其值随这训练时间单调下降；S3、学习率赋初始值；S4、接受初始输入，从训练集中选择一个输入模式，并进行归一化操作，得到H
p
；S5、寻找获胜节点；S6、根据分类是否正确按照不同规则调整神经元的权值，调整自组织层的权值，对
优胜邻域内的所有节点（神经元）调整权值，当分类正确时，计算如下：当分类错误时，计算公式如下：上式中，W
j
(t)表示当前的权值，W
j
(t+1)表示调整之后的权值，η(t,N)表示学习率，随训练时间（迭代次数）增大而减小，随调整权值的神经元j与获胜神经元j*的拓扑距离N的增大而减小；与获胜神经元不在同一组的神经元不进行权值调整；在数据融合分级诊断模型的使用或预测阶段，其分级输出预测层有25个神经元，因此输出为one_hot编码形式，即对25种常见的心脏病进行one_hot编码，心脏病的分级依赖的是某种模式输入本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工神经网络的心脏病诊断研究方法，其特征在于：包括心音数据预处理模块、心电数据预处理模块、心音诊断预测模型、心电诊断预测模型和数据融合分级诊断模型；心电诊断预测模型包括，数据输入层、编码自注意力层和前馈神经网络层：所述数据输入层，将每个周期的原始心电数据均匀采样得到维度为1
×
512的心电数据EC，并将4个周期的心电数据EC合并得到4
×
512的心电数据EC1，将心电数据进行位置编码嵌入得到心电数据EC2，进行位置编码的原因是由于心电数据EC1的处理方式是一次输入集中处理，从而忽略了数据之间的时序关系，因此需对心电数据EC1进行位置编码来描述心电数据EC1各个分量之间的先后关系，具体位置编码的计算公式如下：上式中，d为心电数据EC的维度，p
i
代表位置i处的位置编码分量。2.根据权利要求1所述的一种基于人工神经网络的心脏病诊断研究方法，其特征在于：所述编码自注意力层，对输入到编码自注意力层的心电数据EC2计算各个周期分量之间的相关性，具体操作步骤如下：S1、随机生成特征提取矩阵W
q
、W
k
和W
v
，并将特征提取矩阵W
q
、W
k
和W
v
设置为不可训练，特征提取矩阵W
q
、W
k
和W
v
的维度均为512
×
64；S2、随机产生查寻矩阵Q、键矩阵K和值矩阵V，具体计算公式如下：上式中计算得到的查寻矩阵Q、键矩阵K和值矩阵V的维度均为4
×
64；S3、计算注意力分数Attention
‑
Score，具体计算公式为：上式中，d
k
为缩放因子，注意力分数Attention
‑
Score的维度为4
×
64；S4、引入多头机制计算多头注意力分数Multi
‑
Self
‑
Attention，重复执行S1、S2和S3，生成8个注意力分数Attention
‑
Score，并将这8个注意力分数按列拼接，得到多头注意力分数Multi
‑
Self
‑
Mttention，其维度为4
×
512；S5、进行残差相加操作得到编码自注意力层的输出O，具体计算公式如下：上式中，O代表编码自注意力层的输出O，其维度为4
×
512，每一列使用C1、C2、C3和C4代
表，其维度均为1
×
512。3.根据权利要求2所述的一种基于人工神经网络的心脏病诊断研究方法，其特征在于：所述前馈神经网络层，包括4个BP神经网络，每个BP神经网络均由第一层中间隐层和第二层中间隐层构成，其中第一层中间隐层和第二层中间隐层均含有64个神经元，前馈神经网络层的...

【专利技术属性】
技术研发人员：符莹莹，
申请(专利权)人：藏晖医疗科技徐州有限公司，
类型：发明
国别省市：