【技术实现步骤摘要】
本专利技术涉及医学诊断，尤其涉及一种基于校正模型的静息十二导联心电图辅助诊断系统。
技术介绍
1、心电图是临床上诊断心脏疾病的最常用的手段之一。最为常用的诊断方式之一是静息十二导联心电图：患者静躺在床上，医生将电极放置在患者身体上的固定位置，然后进行心电测量，将10秒质量较好的心电图进行保存，用于诊断。一般的，从10秒静息心电图中可以诊断出的疾病种类在200种以上，并且这些疾病术语之间存在一定逻辑关系，并可以相互组合，形成一个复合的结论。一个好的辅助诊断算法有益于提高医生诊断效率，并可以为医生做出提示，减少误诊、漏诊。
2、截止到现在准确率较高的辅助系统一般基于有监督的深度学习算法开发，但深度学习算法的可解释性差，得到的结论也是a或者非a类型的结论，对于有些没有训练到的疾病，这类有监督的深度学习得到的结论可靠性较低。因此，针对该问题，本专利技术提出一种基于校正模型的静息十二导联心电图辅助诊断系统。
技术实现思路
1、本专利技术的目的是为了旨在解决现有技术中心电图辅助诊断中通过深度学习算法的可解释性和对未训练疾病的诊断准确性不足的问题，而提出的一种基于校正模型的静息十二导联心电图辅助诊断系统。
2、为了实现上述目的，本专利技术采用了如下技术方案：
3、一种基于校正模型的静息十二导联心电图辅助诊断系统，包括数据采集模块，负责采集处于静息状态下病人的12导联心电信号，标签编码模块，用于对采集到的心电信号数据进行标注和编码，深度学习网络构建模块，负责构建
4、优选地，数据采集模块的采样频率建议为500hz，每条心电信号的长度为10秒。
5、优选地，标签编码模块将心电信号的结论进行编码，并将所有疾病种类汇总，采用r＝[r1,r2,…,rn,rn+1]作为数据的标签编码,其中，当心电信号结论中包含第i种结论时，ri＝1，否则ri＝0。
6、优选地，构建m个深度学习网络，建议3≤m≤6，每个网络至少包含2个全连接层，并使用带标签的心电信号数据对网络进行训练。
7、优选地，当采用6层的cnn网络结构时，建议各层的设置如下，第一层为包含50个大小为5的一维卷积核的卷积层，使用relu函数作为激活函数，第二层为包含60个大小为6的一维卷积核的卷积层，使用relu函数作为激活函数，第三层为最大池化层，核的大小和步长均为2，第四层为包含70个大小为3的一维卷积核的卷积层，使用relu函数作为激活函数，第五层为输出为10个神经元的全连接层，使用relu函数作为激活函数，第六层为输出神经元个数为可分的主导节律的种类个数的全连接层，使用sigmoid函数作为激活函数。
8、优选地，校正单元包括校正模型构建模块、微调深度学习网络模块和心电信号诊断模块,其中，校正模型构建模块用于验证和校正网络群的输出结果，微调深度学习网络模块用于利用采集的样本数据对深度学习网络进行微调，心电信号诊断模块用于对新的心电信号进行诊断。
9、优选地，以m个深度学习网络的输出结论rm*(n+1)为输入，以排序结果ym＝{y1，y2....ym},其中yi＝a,表示第i个深度学习网络输出的结论排第a位，作为输出，训练校正模型。
10、优选地，当校正模型构建模块建立的校正模型采用3层的lstm网络结构时，第一层为编码层，第二、三层为解码层，其中，第一层采用128个lstm单元的单向lstm层，作为编码层，第二层采用64个lstm单元的单向lstm层，作为解码层，第三层采用全连接层，输出为m个神经元，激活函数建议使用softmax函数，以输出各神经网络对应的排序结果。
11、优选地，利用采集的样本数据对深度学习网络进行微调时，仅调整全连接层系数，通过最小化目标函数obj＝netj(netpm(x))来优化网络,其中，netj(.)表示输入是.时校正模型的输出，netpm(x)表示输入是x时，深度学习网络构建模块构建出的第m个深度学习网络的输出。
12、优选地，对于新的心电信号，将其输入m个深度学习网络，获得m个长度为n+1的输出向量rm＝{r1，r2，…，rm},其中ri＝[r1i，r2i，…，rni，rn+1i]，表示第i个深度学习网络的输出结果，将rm作为输入输入校正模型进行校正，得到排序结果ym＝{y1，y2，…，ym}，假设ym的最小值出现在第j个位置，则查看rj＝[r1j，r2j，…，rnj，rn+1j]，如果rn+1j>0.5，表示该心电信号无法进行诊断，否则，根据rij>0.5的情况判断疾病类型的存在与否,如果rij>0.5，则表示存在该种疾病类型，否则，表示不包含该种疾病类型。
13、与现有技术相比，本专利技术提供了一种基于校正模型的静息十二导联心电图辅助诊断系统，具备以下有益效果：
14、该基于校正模型的静息十二导联心电图辅助诊断系统，通过深度学习网络和校正模型的结合，能够高准确性地诊断心电信号，系统利用自动化的诊断过程和可靠的校正模型，提供快速且可靠的心脏疾病诊断工具，同时，通过灵活的模型微调和综合排序，实现了对心电信号的精准分析，这样的系统提供了高准确性和可解释性强的诊断结果，有效改进了心脏疾病的辅助诊断效果，医生能够依赖系统的准确性和可靠性，获得更可信、快速和高效的诊断结果。
本文档来自技高网...【技术保护点】
1.一种基于校正模型的静息十二导联心电图辅助诊断系统，其特征在于，
2.根据权利要求1所述的一种基于校正模型的静息十二导联心电图辅助诊断系统，其特征在于，
3.根据权利要求1所述的一种基于校正模型的静息十二导联心电图辅助诊断系统，其特征在于，
4.根据权利要求1所述的一种基于校正模型的静息十二导联心电图辅助诊断系统，其特征在于，
5.根据权利要求4所述的一种基于校正模型的静息十二导联心电图辅助诊断系统，其特征在于，
6.根据权利要求1所述的一种基于校正模型的静息十二导联心电图辅助诊断系统，其特征在于，
7.根据权利要求6所述的一种基于校正模型的静息十二导联心电图辅助诊断系统，其特征在于，
8.根据权利要求6所述的一种基于校正模型的静息十二导联心电图辅助诊断系统，其特征在于，
9.根据权利要求6所述的一种基于校正模型的静息十二导联心电图辅助诊断系统，其特征在于，
10.根据权利要求6所述的一种基于校正模型的静息十二导联心电图辅助诊断系统，其特征在于，
【技术特征摘要】
1.一种基于校正模型的静息十二导联心电图辅助诊断系统，其特征在于，
2.根据权利要求1所述的一种基于校正模型的静息十二导联心电图辅助诊断系统，其特征在于，
3.根据权利要求1所述的一种基于校正模型的静息十二导联心电图辅助诊断系统，其特征在于，
4.根据权利要求1所述的一种基于校正模型的静息十二导联心电图辅助诊断系统，其特征在于，
5.根据权利要求4所述的一种基于校正模型的静息十二导联心电图辅助诊断系统，其特征在于，
6....
【专利技术属性】
技术研发人员：朱俊江，姚蔚菁，
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。