【技术实现步骤摘要】
基于深度学习的多导联脉冲信号智能识别方法及系统
[0001]本专利技术涉及一种基于深度学习的多导联脉冲信号智能识别方法及系统, 属于脉冲信号的识别
。
技术介绍
[0002]随着深度学习技术的迅猛发展,人工智能在医学诊断领域获得了广泛的应用
。
特别是在中医脉诊领域,随着中医脉诊仪的不断进步和普及,我们现在能够获取到越来越多的脉冲波信号数据
。
这些脉冲波信号不仅仅是医学诊断的工具,更是宝贵的信息源
。
在这些信号中,包含了有关患者心脏
、
肝脏
、
肺部等重要器官的生理信息,这些信息对于进行智能化的医学诊断具有重要意义
。
传统的中医脉诊方法通常依赖于医生的经验和观察,但这些方法存在主观性和一定的局限性
。
现代技术的介入使我们能够更加客观地分析和理解脉冲波信号,从而提高了中医脉诊的准确性和可靠性
。
[0003]现有基于深度学习的多导联脉冲检测方法虽然能够自动提取波形各个时刻的特征,但多是从提取关键特征信息入手提高精度,如专利
CN 109063552 A
,公开了一种多导联心电信号分类方法,包括:
S1、
通过多支路卷积残差神经网络处理多导联心电信号以提取每个所述多导联心电信号的信号特征;
S2、
对提取到的所述多导联心电信号的信号特征进行融合;
S3、
基于
Softmax
函数对融合后的 ...
【技术保护点】
【技术特征摘要】
1.
基于深度学习的多导联脉冲信号智能识别方法,其特征是,包括步骤如下:
S1. 获取
N
个导联的脉冲信号
X
N
,对每个原始信号数据进行预处理,进行滤波操作和信号数据的切分,得到多导联切片脉冲信号
M
N
;
S2. 将多导联切片脉冲信号
M
N
输入由卷积神经网络
、
长短时记忆网络和注意力学习模块组成的多导联脉冲信号特征提取网络分支提取综合信息得到信号数据特征
F3
:先通过卷积神经网络进行特征提取,捕获脉冲信号的局部特征和模式,学习脉冲信号的结构信息,再通过长短时记忆网络,学习单导联脉冲信号的时间相关性和序列特征,最后通过注意力学习模块,学习多导联脉冲信号之间的相关性;
S3. 将单导联脉冲信号经小波变换转化得到的时频图输入特征提取网络和特征增强模块构成的时频图特征提取网络分支提取更具解释性的关键信息得到图像特征
FP3
:先通过特征提取网络提取时域和频域特征,然后通过特征增强模块去除噪声
、
增强信号的边缘和特征;
S4. 将两条分支学习的不同模态的信号特征进行融合,即将信号数据特征
F3
与图像特征
FP3
进行融合得到最终的特征
FD
,再进行分类得到分类预测结果;
S5.
训练并优化网络模型保存最优参数,将待测数据输入最优模型得到识别结果
。2.
根据权利要求1所述的基于深度学习的多导联脉冲信号智能识别方法,其特征是,步骤
S1
中
N
选9‑
45。3.
根据权利要求2所述的基于深度学习的多导联脉冲信号智能识别方法,其特征是,步骤
S1
中
N
选
27。4.
根据权利要求1所述的基于深度学习的多导联脉冲信号智能识别方法,其特征是,步骤
S2
中所述的注意力学习模块,首先需要通过加性注意力计算每对导联之间的相关性分数,即:,其中,
W
q
和
W
k
是学习的权重矩阵,
ReLU 是修正线性单元激活函数,
q<...
【专利技术属性】
技术研发人员:孙启玉,高亚欣,王停停,刘肖,刘晓芳,刘玉峰,
申请(专利权)人:山东锋士信息技术有限公司,
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。