本申请涉及智慧医疗技术领域，其具体地公开了一种基于人工智能的医疗数据辅助决策系统，其通过可进行逆转换的格拉姆角和场转换方式来对待诊断患者的心电图进行域转化，接着，以卷积神经网络模型分别对所述待诊断患者的心电图和所述心电格拉姆角和场图进行特征提取以得到第一特征图和第二特征图，并对所述第一特征图和所述第二特征图进行聚类操作，然后，分别对所述聚类后第一特征图中各个位置的特征值进行校正后融合以得到分类特征图，最后将所述分类特征图通过分类器以得到表示待诊断患者是否罹患房颤的分类结果。这样，能够提高基于心电图的房颤识别的精准度，从而保证患者的健康。者的健康。者的健康。
【技术实现步骤摘要】
基于人工智能的医疗数据辅助决策系统
[0001]本申请涉及智慧医疗的领域，且更为具体地，涉及一种基于人工智能的医疗数据辅助决策系统。
技术介绍
[0002]当今世界，心血管疾病已经高居全球人口死亡首位，引起了科学界和社会的广泛关注和高度重视。作为最常见的心律不齐，心房颤动因高发病率和危险性而经常被视为研究热点。
[0003]现有一些基于心电图的房颤识别方案，但现有的识别方案存在精度不高，人力消耗量巨大等问题，且房颤的判别主要依据专科医生的临床诊断，高度依赖专家经验。
[0004]近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0005]深度学习以及神经网络的发展为基于心电图的房颤诊断识别提供了新的解决思路和方案。
技术实现思路
[0006]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于人工智能的医疗数据辅助决策系统，其通过可进行逆转换的格拉姆角和场转换方式来对待诊断患者的心电图进行域转化，接着，以卷积神经网络模型分别对所述待诊断患者的心电图和所述心电格拉姆角和场图进行特征提取以得到第一特征图和第二特征图，并对所述第一特征图和所述第二特征图进行聚类操作，然后，以分别对所述聚类后第一特征图中各个位置的特征值进行校正后融合以得到分类特征图后，最后将所述分类特征图通过分类器以得到表示待诊断患者是否罹患房颤的分类结果。这样，能够提高基于心电图的房颤识别的精准度，从而保证患者的健康。
[0007]根据本申请的一个方面，提供了一种基于人工智能的医疗数据辅助决策系统，其包括：心电图采集模块，用于获取待诊断患者的心电图；
[0008]格拉姆角和场转换模块，对所述待诊断患者的心电图进行格拉姆角和场转换以得到心电格拉姆角和场图；
[0009]第一特征提取模块，用于将所述待诊断患者的心电图通过作为特征提取器的第一卷积神经网络以得到第一特征图；
[0010]第二特征提取模块，用于将所述心电格拉姆角和场图通过作为特征提取器的第二卷积神经网络以得到第二特征图；
[0011]聚类模块，用于分别对所述第一特征图中所有位置的特征值和所述第二特征图中所有位置的特征值进行聚类以得到聚类后第一特征图和聚类后第二特征图；
[0012]校正模块，分别对所述聚类后第一特征图和所述聚类后第二特征图中各个位置的
特征值进行校正以得到校正后第一特征图和校正后第二特征图；
[0013]特征融合模块，用于融合所述校正后第一特征图和所述校正后第二特征图以得到分类特征图；以及
[0014]分析结果生成模块，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待诊断患者是否罹患房颤。
[0015]在上述基于人工智能的医疗数据辅助决策系统中，所述第一特征提取模块，进一步用于：所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行：
[0016]对输入数据进行卷积处理以得到卷积特征图；
[0017]对所述卷积特征图进行池化处理以得到池化特征图；以及
[0018]对所述池化特征图进行非线性激活以得到激活特征图；
[0019]其中，所述第一卷积神经网络的最后一层的输出为所述第一特征图，所述第一卷积神经网络的第一层的输入为所述待诊断患者的心电图。
[0020]在上述基于人工智能的医疗数据辅助决策系统，所述第二特征提取模块，进一步用于：所述第二卷积神经网络的各层在层的正向传递中对输入数据分别进行：
[0021]对输入数据进行卷积处理以得到卷积特征图；
[0022]对所述卷积特征图进行池化处理以得到池化特征图；以及
[0023]对所述池化特征图进行非线性激活以得到激活特征图；
[0024]其中，所述第二卷积神经网络的最后一层的输出为所述第二特征图，所述第二卷积神经网络的第一层的输入为所述心电格拉姆角和场图。
[0025]在上述基于人工智能的医疗数据辅助决策系统中，第一聚类分析单元，用于基于所述第一特征图中各个位置的特征值之间的差值的绝对值来对所述第一特征图进行聚类以得到所述聚类后第一特征图；以及
[0026]第二聚类分析单元，用于基于所述第二特征图中各个位置的特征值之间的差值的绝对值来对所述第二特征图进行聚类以得到所述聚类后第二特征图。
[0027]在上述基于人工智能的医疗数据辅助决策系统中，所述聚类模块，包括：
[0028]第一聚类分析单元，用于基于所述第一特征图中各个位置的特征值之间均方距离来对所述第一特征图进行聚类以得到所述聚类后第一特征图；以及
[0029]第二聚类分析单元，用于基于所述第二特征图中各个位置的特征值之间的均方距离来对所述第二特征图进行聚类以得到所述聚类后第二特征图。
[0030]在上述基于人工智能的医疗数据辅助决策系统中，所述聚类模块，包括：
[0031]第一聚类分析单元，用于基于所述第一特征图中各个位置的特征值之间均方距离来对所述第一特征图进行聚类以得到所述聚类后第一特征图；以及
[0032]第二聚类分析单元，用于基于所述第二特征图中各个位置的特征值之间的均方距离来对所述第二特征图进行聚类以得到所述聚类后第二特征图。
[0033]在上述基于人工智能的医疗数据辅助决策系统中，所述校正模块，包括：
[0034]第一校正单元，用于以如下公式对所述聚类后第一特征图中各个位置的特征值进行校正以得到所述校正后第一特征图；
[0035]其中，所述公式为：
[0036][0037]其中f1表示所述聚类后第一特征图中各个位置的特征值，f1′
表示所述校正后第一特征图中各个位置的特征值，表示聚类，和分别表示所述聚类后第一特征图中各个位置的特征值属于聚类和不署于聚类，且α为聚类特征值数目与总特征值数目的比率；
[0038]第二校正单元，用于以如下公式对所述聚类后第二特征图中各个位置的特征值进行校正以得到所述校正后第二特征图；
[0039]其中，所述公式为：
[0040][0041]其中f2表示所述聚类后第二特征图中各个位置的特征值，f2'表示所述校正后第二特征图中各个位置的特征值，表示聚类，和分别表示所述聚类后第二特征图中各个位置的特征值属于聚类和不署于聚类，且α为聚类特征值数目与总特征值数目的比率。
[0042]在上述基于人工智能的医疗数据辅助决策系统中，所述特征融合模块，用于将所述校正后第一特征图和所述校正后第二特征图进行级联以得到所述分类特征图。
[0043]根据本申请的另一方面，一种基于人工智能的医疗数据辅助决策方法，其包括：
[0044]获取待诊断患者的心电图；
[0045]对所述待诊断患者的心电图进行格拉姆角和场转换以得到心电格拉姆角和场图；
[0046]将所述待诊断患本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于人工智能的医疗数据辅助决策系统，其特征在于，包括：心电图采集模块，用于获取待诊断患者的心电图；格拉姆角和场转换模块，对所述待诊断患者的心电图进行格拉姆角和场转换以得到心电格拉姆角和场图；第一特征提取模块，用于将所述待诊断患者的心电图通过作为特征提取器的第一卷积神经网络以得到第一特征图；第二特征提取模块，用于将所述心电格拉姆角和场图通过作为特征提取器的第二卷积神经网络以得到第二特征图；聚类模块，用于分别对所述第一特征图中所有位置的特征值和所述第二特征图中所有位置的特征值进行聚类以得到聚类后第一特征图和聚类后第二特征图；校正模块，分别对所述聚类后第一特征图和所述聚类后第二特征图中各个位置的特征值进行校正以得到校正后第一特征图和校正后第二特征图；特征融合模块，用于融合所述校正后第一特征图和所述校正后第二特征图以得到分类特征图；以及分析结果生成模块，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待诊断患者是否罹患房颤。2.根据权利要求1所述的基于人工智能的医疗数据辅助决策系统，其特征在于，所述第一特征提取模块，进一步用于：所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述第一特征图，所述第一卷积神经网络的第一层的输入为所述待诊断患者的心电图。3.根据权利要求2所述的基于人工智能的医疗数据辅助决策系统，其特征在于，所述第二特征提取模块，进一步用于：所述第二卷积神经网络的各层在层的正向传递中对输入数据分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络的最后一层的输出为所述第二特征图，所述第二卷积神经网络的第一层的输入为所述心电格拉姆角和场图。4.根据权利要求3所述的基于人工智能的医疗数据辅助决策系统，其特征在于，所述聚类模块，包括：第一聚类分析单元，用于基于所述第一特征图中各个位置的特征值之间的差值的绝对值来对所述第一特征图进行聚类以得到所述聚类后第一特征图；以及第二聚类分析单元，用于基于所述第二...
【专利技术属性】
技术研发人员：朱正楠，
申请(专利权)人：杭州海类科技有限公司，
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。