【技术实现步骤摘要】
本申请属于医疗设备，尤其是涉及一种基于突变特征卷积神经网络的心电图诊断方法和设备。
技术介绍
1、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。深度学习尤其是其中的卷积神经网络，可以从大数据中发现数据分布式特征，代替了原有的基于数据工程师的人为特征提取方法，因此在诊断心电图时准确率得到了较大的提升。然而采用常规的卷积神经网络十分依赖于训练数据的质量，一旦数据标注质量降低，会影响到卷积神经网络的准确性。
技术实现思路
1、本专利技术要解决的技术问题是：为解决现有技术中常规的卷积神经网络十分依赖于训练数据的质量的问题，从而提供一种基于突变特征卷积神经网络的心电图诊断方法和设备。
2、本专利技术解决其技术问题所采用的技术方案是：
3、一种基于突变特征卷积神经网络的心电图诊断方法，包括以下步骤：
4、步骤一，准备心电信号数据：采集一定数量的处于静息状态下病人的12导联心电信号，组成心电数据库；
5、步骤二，数据预处理：首先对每一条心电信号进行预处理，其次将滤完波后的每一条心电信号按照导联顺序重新拼接到一起，形成数据集；
6、每条
7、步骤三，建立模型：模型的输入为预处理后的心电信号，神经网络输出为一个预测的心电标签向量[hi]；
8、步骤四：将模型的输入输出映射记作
9、yi＝net(xi)＝f(w，b)(xi)，其中xi是模型的输入，yi是xi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；
10、步骤五，训练模型：
11、s1，使用n条数据训练步骤三中建立的模型，
12、net＝f(w，b)；
13、s2，通过损失函数训练卷积神经网络，得到
14、netk＝f(wk，bk)；
15、s3，进行突变：随机选取某一卷积层的权重和偏移，将其改变为随机产生的值，从而得到新的权重wk*和偏移bk*，形成突变后的网络netk*＝f(wk*，bk*)；
16、s4，使用校验集数据计算判断函数e的值；
17、s5，比较e和第一设定阈值thr1，如果e>thr1，返回至步骤s2，否则，停止训练，记录步骤s3中进行突变的权重和偏移的位置信息locf；得到最终的模型，netf＝f(wf，bf)；
18、步骤六，心电诊断：新的心电信号数据xj经过预处理以后，放入训练完成的模型netf＝f(wf，bf)中，计算得到hj，对步骤s3中同样位置的权重和偏移进行突变，得到网络netf＝f(wf，bf)，计算得到hj*；计算|hj*-hj|的值，如果大于第二设定阈值thr2值，认为该条无法判断，否则判断hj是否大于第三设定阈值thr3，如果是则认为是异常心电图，否则认为正常心电图。
19、优选地，本专利技术的基于突变特征卷积神经网络的心电图诊断方法，其特征在于，步骤三中，神经网络模型如下：第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第五卷积层、第五池化层、第六卷积层、第六池化层、第一全连接层、第二全连接层；
20、其中，第一卷积层为31个步长为1大小均为6的一维卷积核，第二卷积层为29个步长为1大小均为6的一维卷积核，第三卷积层为17个步长为1大小均为8的一维卷积核，第四卷积层为10个步长为1大小均为5的一维卷积核，第五卷积层为10个步长为1大小均为3的一维卷积核，第六卷积层为10个步长为1大小均为3的一维卷积核；第一池化层、第二池化层、第三池化层、第四池化层、第五池化层、第六池化层都采用最大池化，核的大小和步长均为2；
21、将第六池化层输出的结果通过神经元个数为128的第一全连接层；将第一全连接层的输出的结果，输入神经元个数为1的第二全连接层。
22、优选地，本专利技术的基于突变特征卷积神经网络的心电图诊断方法，其特征在于，第六池化层输出的激活函数为relu函数。
23、优选地，本专利技术的基于突变特征卷积神经网络的心电图诊断方法，其特征在于，第一全连接层的输出的激活函数为sigmoid函数。
24、优选地，本专利技术的基于突变特征卷积神经网络的心电图诊断方法，其特征在于，步骤一中，准备心电信号数据：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，每条心电信号的长度为10秒，其中异常心电图数据不少于10000条，正常心电图数据不少于10000条，组成心电数据库；其中不少于16000条的训练集数据和不少于4000条的校验集数据。
25、优选地，本专利技术的基于突变特征卷积神经网络的心电图诊断方法，其特征在于，步骤二中，预处理的方法是采用上下截止频率分别为1hz和50hz的巴特沃兹带通滤波器去除噪声，其次将滤完波后的每一条心电信号按照导联顺序重新拼接到一起，心电数据的形式为(5000，12)形成数据集。
26、优选地，本专利技术的基于突变特征卷积神经网络的心电图诊断方法，其特征在于，步骤二中，每条心电数据都经过至少两名专业的心内科医生确定标签，若是两名心内科医生的意见不一致，则通过第三名心内科医生确定该心电信号的标签。
27、优选地，本专利技术的基于突变特征卷积神经网络的心电图诊断方法，其特征在于，步骤s4中，使用校验集数据计算判断函数e的值的公式为
28、
29、其中，α和β是预先设定的常数系数，n为校验集数据的数量，xl为经过预处理后的心电数据，yl＝netk(xl)，yl为：以xl为输入，经过步骤s2训练得到的网络计算后得到的输出，为：以xl为输入，使用经过步骤s3处理后的网络计算后得到的输出。
30、优选地，本专利技术的基于突变特征卷积神经网络的心电图诊断方法，其特征在于，
31、步骤s2中以交叉熵函数为损失函数；训练算法为：随机梯度下降算法、adam算法、rmsprop算法、adagrad算法、adadelta算法或adamax算法；
32、步骤s3中，随机选取某一卷积层的百分比数为per的权重和偏移。
33、一种基于突变特征卷积神经网络的心电图诊断设备，具有用于运行上述的基于突变特征卷积神经网络的心电图诊断方法的模块。
34、本专利技术的有益效果是：
35、通过本专利技术的方案可以减小过拟合，增加算法本文档来自技高网...
【技术保护点】
1.一种基于突变特征卷积神经网络的心电图诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于突变特征卷积神经网络的心电图诊断方法，其特征在于，步骤三中，神经网络模型如下：第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第五卷积层、第五池化层、第六卷积层、第六池化层、第一全连接层、第二全连接层；
3.根据权利要求2所述的基于突变特征卷积神经网络的心电图诊断方法，其特征在于，第六池化层输出的激活函数为ReLU函数。
4.根据权利要求2所述的基于突变特征卷积神经网络的心电图诊断方法，其特征在于，第一全连接层的输出的激活函数为Sigmoid函数。
5.根据权利要求1-4任一项所述的基于突变特征卷积神经网络的心电图诊断方法，其特征在于，步骤一中，准备心电信号数据：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，每条心电信号的长度为10秒，其中异常心电图数据不少于10000条，正常心电图数据不少于10000条，组成心电数据库；其中不少于16000条的
6.根据权利要求1-4任一项所述的基于突变特征卷积神经网络的心电图诊断方法，其特征在于，步骤二中，预处理的方法是采用上下截止频率分别为1Hz和50Hz的巴特沃兹带通滤波器去除噪声，其次将滤完波后的每一条心电信号按照导联顺序重新拼接到一起，心电数据的形式为(5000，12)形成数据集。
7.根据权利要求1-4任一项所述的基于突变特征卷积神经网络的心电图诊断方法，其特征在于，步骤二中，每条心电数据都经过至少两名专业的心内科医生确定标签，若是两名心内科医生的意见不一致，则通过第三名心内科医生确定该心电信号的标签。
8.根据权利要求1-4任一项所述的基于突变特征卷积神经网络的心电图诊断方法，其特征在于，步骤S4中，使用校验集数据计算判断函数E的值的公式为
9.根据权利要求1-4任一项所述的基于突变特征卷积神经网络的心电图诊断方法，其特征在于，
10.一种基于突变特征卷积神经网络的心电图诊断设备，其特征在于，具有用于运行如权利要求1-9任一项所述的基于突变特征卷积神经网络的心电图诊断方法的模块。
...【技术特征摘要】
1.一种基于突变特征卷积神经网络的心电图诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于突变特征卷积神经网络的心电图诊断方法，其特征在于，步骤三中，神经网络模型如下：第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第五卷积层、第五池化层、第六卷积层、第六池化层、第一全连接层、第二全连接层；
3.根据权利要求2所述的基于突变特征卷积神经网络的心电图诊断方法，其特征在于，第六池化层输出的激活函数为relu函数。
4.根据权利要求2所述的基于突变特征卷积神经网络的心电图诊断方法，其特征在于，第一全连接层的输出的激活函数为sigmoid函数。
5.根据权利要求1-4任一项所述的基于突变特征卷积神经网络的心电图诊断方法，其特征在于，步骤一中，准备心电信号数据：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，每条心电信号的长度为10秒，其中异常心电图数据不少于10000条，正常心电图数据不少于10000条，组成心电数据库；其中不少于16000条的训练...
【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：
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。