一种基于正反卷积神经网络算法的正异常心电图判断系统技术方案

本申请涉及一种基于正反卷积神经网络算法的正异常心电图判断系统，包括构造深度学习网络，神经网络输出为一个预测值在

【技术实现步骤摘要】
一种基于正反卷积神经网络算法的正异常心电图判断系统


[0001]本申请属于心电图
，尤其是涉及一种基于正反卷积神经网络算法的正异常心电图判断系统
。

技术介绍

[0002]心血管疾病是全球最常见的死因之一
。
心电图具有无创性
、
低成本
、
非植入的特点，因此成为临床最为常见的检查手段
。
但采用人工方式对心电图进行诊断费时费力，在高负荷的工作状态下还容易出现低级错误
。
从心内科及体检中心的心电数据来看，很大一部分心电图属于正常心电图，因此开发出基于人工智能的正异常心电图诊断系统对于减少心电图医生工作量，缓解医疗资源紧缺具有积极的意义
。
[0003]在临床上，人们往往不希望将阳性病人心电图漏掉，也就是需要减小假阴性的概率；而作为牺牲，可以接受少许的将正常心电图误认为异常心电图，即假阳性
。
而传统上的机器学习算法，在训练数据均衡的条件下，往往获得基本相同的假阳性和假阴性率
。
而通过改变判别阈值或者数据分布的方法在减小假阳性的同时，可能导致假阴性大大增加
。

技术实现思路

[0004]本专利技术要解决的技术问题是：为了不过分增加假阴性的基础上，减小假阳性，提出一种基于正反卷积神经网络算法的正异常心电图判断系统
。
[0005]本专利技术解决其技术问题所采用的技术方案是：
[0006]一种基于正反卷积神经网络算法的正异常心电图判断系统，包括以下步骤：
[0007]步骤1：建立心电图数据库；
[0008]步骤2：进行数据预处理，得到固定形式的数据集，每条数据的标签为
[0]或
[1]，若心电信号是异常，则心电标签向量为
[1]，若是该心电信号正常，则心电标签向量为
[0]；
[0009]步骤3：构造深度学习网络，神经网络输出为一个预测值在0～1之间的心电标签向量，得到心电正异常预测模型
[0010]net
＝
f(W
，
b)
；
[0011]步骤4：将模型的输入输出映射记作
[0012]y
i
＝
net(x
i
)
＝
f(W
，
b)(x
i
、
，其中
x
i
是模型的输入，
y
i
是
x
i
经过模型计算后的输出，
W
为卷积神经网络中权重的集合，
b
为卷积神经网络中偏移的集合；
[0013]步骤5：训练模型，包括：
[0014]S51
，使用
n
条数据训练步骤3中建立的模型；
[0015]S53
，训练卷积神经网络
A
，最终得到训练好的卷积神经网络
A
为
[0016]net
A
＝
f(W
A
，
b
A
)
；
[0017]训练卷积神经网络
B
，最终得到训练好的卷积神经网络
B
为
net
B
＝
f(W
B
，
b
B
)
；
[0018]步骤6：心电诊断：新的心电信号
x
j
数据经过预处理以后，放入训练完成的模型
net
A
＝
f(W
A
，
b
A
)
中，计算得到放入训练完成的模型
net
B
＝
f(W
B
，
b
B
)
中，计算得到如果
且则认为是正常心电图，否则认为是异常心电图
。
[0019]优选地，本专利技术的基于正反卷积神经网络算法的正异常心电图判断系统，步骤
S51
和
S53
之间还设置了
S52
，构建训练卷积神经网络的损失函数，得到
J(W
，
b)
＝
||Y
‑
f(W
，
b)(X)||2；其中
x
是所有训练集心电信号的集合；
Y
是所有训练集心电信号对应的标签向量
。
[0020]优选地，本专利技术的基于正反卷积神经网络算法的正异常心电图判断系统，
S53
中，训练卷积神经网络
A
和卷积神经网络
B
的过程中，迭代更新权重
W
和偏移
b。
[0021]优选地，本专利技术的基于正反卷积神经网络算法的正异常心电图判断系统，
[0022]训练卷积神经网络
A
：按照以下的方法更新权重
W
和偏移
b
，
[0023][0024][0025]其中是
J
对
W
的偏导数，
β
A
和
r
A
均为学习率；当迭代次数达到指定值，或者误差小于
[0026]J(W
，
b)
＝
||y
l
‑
f(W
，
b)||2的值小于指定值时，停止更新，最终得到训练好的卷积神经网络
A
为
net
A
＝
f(W
A
，
b
A
)
；
[0027]训练卷积神经网络
B:
按照以下的方法更新权重
W
和偏移
b
，
[0028][0029][0030]其中是
J
对
W
的偏导数，
β
B
和
r
B
均为学习率；当迭代次数达到指定值，或者误差小于
[0031]J(W
，
b)
＝
||y
l
‑
f(W
，
b)||2的值大于指定值时，停止更新，最终得到训练好的卷积神经网络
B
为
net
B
＝
f(W
B
，
b
B
)。
[0032]优选地，本专利技术的基于正反卷积神经网络算法的正异常心电图判断系统，步骤1中，采集不少于
20000
条处于静息状态下病人的
12
导联心电信号，采样频率为
500Hz
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于正反卷积神经网络算法的正异常心电图判断系统，其特征在于，包括以下步骤：步骤1：建立心电图数据库；步骤2：进行数据预处理，得到固定形式的数据集，每条数据的标签为
[0]
或
[1]
，若心电信号是异常，则心电标签向量为
[1]
，若是该心电信号正常，则心电标签向量为
[0]
；步骤3：构造深度学习网络，神经网络输出为一个预测值在0～1之间的心电标签向量，得到心电正异常预测模型
net
＝
f(W
，
b)
；步骤4：将模型的输入输出映射记作
y
i
＝
net(x
i
)
＝
f(W
，
b)(x
i
)
，其中
x
i
是模型的输入，
y
i
是
x
i
经过模型计算后的输出，
W
为卷积神经网络中权重的集合，
b
为卷积神经网络中偏移的集合；步骤5：训练模型，包括：
S51
，使用
n
条数据训练步骤3中建立的模型；
S53
，训练卷积神经网络
A
，最终得到训练好的卷积神经网络
A
为
net
A
＝
f(W
A
，
b
A
)
；训练卷积神经网络
B
，最终得到训练好的卷积神经网络
B
为
net
B
＝
f(W
B
，
b
B
)
；步骤6：心电诊断：新的心电信号
x
j
数据经过预处理以后，放入训练完成的模型
net
A
＝
f(W
A
，
b
A
)
中，计算得到放入训练完成的模型
net
B
＝
f(W
B
，
b
B
)
中，计算得到如果且则认为是正常心电图，否则认为是异常心电图
。2.
根据权利要求1所述的基于正反卷积神经网络算法的正异常心电图判断系统，其特征在于，步骤
S51
和
S53
之间还设置了
S52
，构建训练卷积神经网络的损失函数，得到
J(W
，
b)
＝
||Y
‑
f(W
，
b)(X)||2；其中
x
是所有训练集心电信号的集合；
Y
是所有训练集心电信号对应的标签向量
。3.
根据权利要求2所述的基于正反卷积神经网络算法的正异常心电图判断系统，其特征在于，
S53
中，训练卷积神经网络
A
和卷积神经网络
B
的过程中，迭代更新权重
W
和偏移
b。4.
根据权利要求3所述的基于正反卷积神经网络算法的正异常心电图判断系统，其特征在于，训练卷积神经网络
A
：按照以下的方法更新权重
W
和偏移
b
，，其中是
J
对
W
的偏导数，
β
A
和
r
A
均为学习率；当迭代次数达到指定值，或者误差小于
J(W
，
b)
＝
||y
l
‑
f...

【专利技术属性】
技术研发人员：董建华，
申请(专利权)人：上海数创医疗科技有限公司，
类型：发明
国别省市：