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

本发明专利技术公开了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，属于深度学习技术领域，用于解决现有的螺旋图数据采集方法采集的信息较少，并且无法为医生提供可靠的诊断依据，不利于帕金森病的诊断的技术问题。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。为医生提供了准确的诊断依据，提高了帕金森病的诊断效率。森病的诊断效率。森病的诊断效率。

【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分析中被广泛使用。螺旋线任务的几何特征、压力特征、波动特征等曾被研究人员用于作为评价患者病情严重程度的指标，并逐步推广到其他的神经性运动障碍疾病的评估研究中。该任务要求实验对象从内而外的绘制图形，绘制区域不做限制。然而现有的螺旋图绘制大多仍然依托于实体的图纸，图纸中能够体现出的信息很少，不利于医生的诊断。并且对于螺旋图数据的分析过于依靠医生的主观判断，存在误判的可能。

技术实现思路

>[0005]本申请实施例提供了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，用于解决如下技术问题：现有的螺旋图数据采集方法采集的信息较少，并且无法为医生提供可靠的诊断依据，不利于帕金森病的诊断。
[0006]本申请实施例采用下述技术方案：
[0007]一方面，本申请实施例提供了一种基于深度学习的阿基米德螺旋图数据处理方法，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。
[0008]在一种可行的实施方式中，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。
[0009]在一种可行的实施方式中，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。
[0010]在一种可行的实施方式中，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。
[0011]在一种可行的实施方式中，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。
[0012]在一种可行的实施方式中，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旋图数据；其中，所述实时螺旋图数据至少包括：点位坐标、点位压力值、压感笔倾斜角度以及点位间隔时间和间隔距离；根据每个点位与上一个点位之间的间隔时间以及间隔距离，计算每个点位的速度以及加速度；将所述点位坐标、点位压力值、压感笔倾斜角度、每个点位的速度及加速度，组合为所述原始螺旋图数据。
[0013]在一种可行的实施方式中，对所述原始螺旋图数据进行预处理，得到标准螺旋图数据，具体包括：对所述原始螺旋图数据进行归一化处理，得到归一化螺旋图数据；对所述归一化螺旋图数据进行统计，得到数量分布最多的数据长度区间；对于数据长度低于所述数据长度区间下限的归一化螺旋图数据，通过线性插值法，将数据长度扩充到所述数据长度区间下限；对于数据长度超出所述数据长度区间上限的归一化螺旋图数据，将超出所述数据长度区间上限的部分裁剪掉，只保留未超出所述数据长度区间上限的部分，得到所述标准螺旋图数据。
[0014]在一种可行的实施方式中，对所述原始螺旋图数据进行归一化处理，得到归一化螺旋图数据，具体包括：分别计算出所有原始螺旋图数据中，每类信息的均值和标准差；根据data
normal
＝(data
‑
mean)/std，对所述原始螺旋图数据进行归一化处理，得到归一化螺旋图数据data
normal
；其中，data表示所述原始螺旋图数据，mean表示所述原始螺旋图数据中每类信息的均值，std表示所述原始螺旋图数据中每类信息的标准差。
[0015]在一种可行的实施方式中，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，具体包括：将所述标准螺旋图数据输入所述螺旋
图数据分析模型的输入层；通过所述输入层，对所述标准螺旋图数据进行初步降维，并将初步降维后的数据输入池化卷积层；通过所述池化卷积层中的每个基础卷积块，对输入数据进行降维操作，得到数据特征并输入到自适应平均池化层；通过所述自适应平均池化层，将接收到的数据特征处理成统一大小，并输入到分类层；通过所述分类层，对所述自适应池化层输出的统一大小的特征向量进行拉伸处理，并通过所述分类层中两个全连接层的计算拟合，输出所述患者的辅助诊断结果；其中，所述辅助诊断结果为确诊帕金森、未确诊帕金森以及特发性震颤中的一种。
[0016]另一方面，本申请实施例还提供了一种基于深度学习的阿基米德螺旋图数据处理设备，包括：至少一个处理器；以及，本文档来自技高网...

【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：