【技术实现步骤摘要】
一种基于深度学习的阿基米德螺旋图数据处理方法及设备
[0001]本申请涉及深度学习
，尤其涉及一种基于深度学习的阿基米德螺旋图数据处理方法及设备。
技术介绍
[0002]帕金森病是世界上第二大常见的神经退行性疾病，患病人数约占65岁以上人群的2％。帕金森病的特点是中脑多巴胺能神经元的进行性丧失，产生多种运动和非运动损伤。运动症状包括运动迟缓、僵直、静息性震颤、微征和不同的语言障碍。非运动性症状包括抑郁、睡眠障碍、语言障碍等。运动障碍的程度和特点目前可以采用运动障碍学会发布的统一帕金森病评定量表(MDS
‑
UPDRS)进行评估。
[0003]帕金森病的四个主要临床表现为：静止性震颤、强直、运动迟缓、姿势不稳定。通过对帕金森病的长期临床研究发现，帕金森病使得－些熟练动作，如手写活动变得困难，表现出各种障碍，如动作幅度降低、震颤、缓慢、迟疑、小写症等。阿基米德螺旋图作为诊断帕金森病的一种行之有效的方法，通常作为医生诊断帕金森病的第一步。
[0004]螺旋线图形的绘画任务，在帕金森病的手写运动...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的阿基米德螺旋图数据处理方法，其特征在于，所述方法包括：基于卷积神经网络，搭建螺旋图数据分析模型；对预先采集的批量训练数据进行对齐操作，得到训练集，并通过所述训练集训练所述螺旋图数据分析模型；通过数据采集设备，采集患者绘制螺旋图产生的原始螺旋图数据；对所述原始螺旋图数据进行预处理，得到标准螺旋图数据；将所述标准螺旋图数据输入训练好的所述螺旋图数据分析模型，得到所述患者的辅助诊断结果。2.根据权利要求1所述的一种基于深度学习的阿基米德螺旋图数据处理方法，其特征在于，基于卷积神经网络，搭建螺旋图数据分析模型，具体包括：将一个一维卷积层、一个一维批归一化层以及一个一维最大池化层构建为输入层；将一个一维卷积层、一个一维批归一化层、一个激活函数以及一个最大池化层组成一个基础卷积块，并将五个所述基础卷积块依次连接，构建卷积池化层；将一个卷积层以及一个自适应平均池化层构建为自适应平均池化层；将两个全连接层以及一个随机失活层构建为分类层；将所述输入层、所述卷积池化层、所述自适应平均池化层以及所述分类层依次连接，构成所述螺旋图数据分析模型。3.根据权利要求1所述的一种基于深度学习的阿基米德螺旋图数据处理方法，其特征在于，对预先采集的批量训练数据进行对齐操作，得到训练集，具体包括：针对不同的病症标签，分别采集对应的批量螺旋图数据，得到所述批量训练数据；确定所述批量训练数据中训练数据的最短数据长度；将每条训练数据中，长度超过所述最短数据长度的部分统一进行裁剪，完成所述对齐操作；将裁剪后的训练数据存入所述训练集。4.根据权利要求1所述的一种基于深度学习的阿基米德螺旋图数据处理方法，其特征在于，通过所述训练集训练所述螺旋图数据分析模型，具体包括：将所述训练集作为输入数据，以所述训练集中每条训练数据的病症标签为监督信息，对所述螺旋图数据分析模型进行初步训练；计算初步训练后的所述螺旋图数据分析模型的交叉熵损失值；在所述交叉熵损失值大于预设阈值的情况下，优化所述螺旋图数据分析模型的各参数权重，直至所述交叉熵损失值小于或等于所述预设阈值后，完成训练。5.根据权利要求4所述的一种基于深度学习的阿基米德螺旋图数据处理方法，其特征在于，计算初步训练后的所述螺旋图数据分析模型的交叉熵损失值，具体包括：根据交叉熵损失函数：计算所述螺旋图数据分析模型的交叉熵损失值loss；其中，K表示所述训练集中的病症标签数量；N表示所述训练集中的样本数量；y
i,k
表示所述训练集中第i个样本的病症标签为第k个标签值；p
i,k
表示第i个样本预测为第k个标签值的概率。
6.根据权利要求1所述的一种基于深度学习的阿基米德螺旋图数据处理方法，其特征在于，通过数据采集设备，采集患者绘制螺旋图产生的原始螺旋图数据，具体包括：通过数据采集设备，采集所述患者在触控屏上绘制螺旋图时产生的实时螺...
【专利技术属性】
技术研发人员：江文静，刘建鑫，李海云，马俊，
申请(专利权)人：山东大学齐鲁医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。