【技术实现步骤摘要】
本专利技术涉及医学，尤其涉及基于距离变化深度学习算法的心电异常判断方法。
技术介绍
1、心脏在每个心动周期中，由起搏点、心房、心室相继兴奋，伴随着生物电的变化，这些生物电的变化称为心电；从心电信号中可以看出心脏的运行状态，据不完全统计，心电中可以观察到的心脏疾病大约有200多种；常规心电图是临床上检查心脏疾病最常用的手段之一：将电极放在人体的标准位置，然后记录10秒钟的心电信号，医生通过对这10秒钟的信号进行判断得出结论；由于心电图医生的短缺以及医学经验参差不齐，发展人工智能判断心电图的算法辅助医生诊断已经成为一个研究热点。
2、现阶段学术界应用最多的是基于深度学习算法的心电图诊断方法，但由于心电疾病较多，常规的深度学习分类流程存在以下缺点：1.会将标签中没有出现过的类型误判为某一标签中出现过的类型；2.临床心电图中有些介于两种情况之间，需要结合临床其他特征进行判断的情况，基于常规深度学习算法无法处理。
3、因此，本案提出一种特殊的标签构造方式：将原来的0,1组合的标签方式修改为空间点，相同类型的心电信号的标签聚集在某一空间点周围，不同类型的心电信号的标签聚集在另一空间点。
技术实现思路
1、本专利技术的目的是为了解决现有技术中存在的问题，而提出的基于距离变化深度学习算法的心电异常判断方法。
2、为了实现上述目的，本专利技术采用了如下技术方案：
3、基于距离变化深度学习算法的心电异常判断方法，采用以下步骤操作：
4、步骤一
5、采集至少2*n万条处于静息状态下病人的12导联心电信号；
6、步骤二，预处理；
7、对心电信号的每个导联进行滤波，随后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；
8、步骤三，设计标签；
9、在m维空间中，随机生成n个随机空间点x＝{xn|n＝1,2…n}，对于每一条心电信号，如果其类型为第n类心电信号，则在xn欧式距离为p(p<0.2)的范围内生成一个随机点作为该心电信号的标签；
10、步骤四，构造深度学习网络，并学习；
11、步骤五，使用深度学习网络诊断。
12、优选地，步骤一中，n指的是网络能够诊断疾病的种类数，且n≥2，对于每一种疾病，应该包含至少1万条该疾病的阳性数据。
13、进一步地，步骤一中，采样频率为500hz，每条心电信号的长度为10秒。
14、优选地，步骤二中，对于数据集合中每一条心电信号，采用[0.5-100]hz的巴特沃兹带通滤波器对于该心电信号的每个导联进行滤波，随后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，心电数据的维度为(5000，12)。
15、进一步地，步骤三中，在m维空间中，n个随机空间点x＝{xn|n＝1,2…n}的两两欧式距离为d(d>1)。
16、更进一步地，步骤四中，模型的输入为步骤二预处理后的心电信号si和心电信号类型标志slabeli,如果心电信号类型是第n类，则slabeli＝n；输出为利用步骤三为心电信号si构造出的标签向量。
17、优选地，步骤四中，深度学习网络采取六层的网络结构；
18、其中，第一层为卷积层，包含50个大小均为5的一维卷积核；
19、第二层为卷积层，包含60个大小均为6的一维卷积核；
20、第三层为池化层，采用最大池化，核的大小和步长均为2；
21、第四层为卷积层，包含70个大小为3的一维卷积核；
22、第五层为全连接层，输出为10个神经元；
23、第六层为全连接层，输出神经元个数为m个。
24、进一步地，在六层的深度学习网络结构中，第一层到第五层的激活函数均选用relu函数，第六层的激活函数选用softmax函数。
25、更进一步地，步骤四中，训练算法采用随机梯度下降算法、adam算法、rmsprop算法、adagrad算法、adadelta算法、adamax算法中的任意一种。
26、更进一步地，步骤五中，对于新的心电信号snew，将其分别和slabelnew＝1,2…n,合并作为输入，输入到步骤四训练得到的深度学习网络中进行计算；
27、如果当slabelnew＝n时，深度学习网络的输出向量ynew和xn之间的欧式距离最短，且小于0.2则证明心电信号是第n类心电信号；
28、如果出现多次ynew和xn之间距离最短，且小于0.2的情况，则认为在第nn次取得最短距离的一次是判断心电信号类型的依据；
29、如果没有出现小于0.2的情况，则认为该心电信号的类型无法诊断，属于没有参与过训练时的一类心电信号。
30、该装置中未涉及部分均与现有技术相同或可采用现有技术加以实现，本专利技术中，通过对收集的心电信号数据的每个导联进行预处理，然后对心电信号设计标签，接着构建深度学习网络并学习，最后使用该深度学习网络来进行诊断，从而判断出心电信号是属于第n类心电信号或是没有参与过训练时的一类心电信号，通过将原来的0,1组合的标签方式修改为空间点，相同类型的心电信号的标签聚集在某一空间点周围，不同类型的心电信号的标签聚集在另一空间点，从而有效地避免将标签中没有出现过的类型误判为某一标签中出现过的类型，且能够在临床心电图中处理使用。
本文档来自技高网...【技术保护点】
1.基于距离变化深度学习算法的心电异常判断方法，其特征在于，采用以下步骤操作：
2.根据权利要求1所述的基于距离变化深度学习算法的心电异常判断方法，其特征在于，步骤一中，N指的是网络能够诊断疾病的种类数，且N≥2，对于每一种疾病，应该包含至少1万条该疾病的阳性数据。
3.根据权利要求2所述的基于距离变化深度学习算法的心电异常判断方法，其特征在于，步骤一中，采样频率为500hz，每条心电信号的长度为10秒。
4.根据权利要求1所述的基于距离变化深度学习算法的心电异常判断方法，其特征在于，步骤二中，对于数据集合中每一条心电信号，采用[0.5-100]Hz的巴特沃兹带通滤波器对于该心电信号的每个导联进行滤波，随后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，心电数据的维度为(5000，12)。
5.根据权利要求4所述的基于距离变化深度学习算法的心电异常判断方法，其特征在于，步骤三中，在m维空间中，N个随机空间点X＝{xn|n＝1,2…N}的两两欧式距离为d(d>1)。
6.根据权利要求5所述的基于距离变化深度学习
7.根据权利要求1或6所述的基于距离变化深度学习算法的心电异常判断方法，其特征在于，步骤四中，深度学习网络采取六层的网络结构；
8.根据权利要求7所述的基于距离变化深度学习算法的心电异常判断方法，其特征在于，在六层的深度学习网络结构中，第一层到第五层的激活函数均选用ReLU函数，第六层的激活函数选用softmax函数。
9.根据权利要求8所述的基于距离变化深度学习算法的心电异常判断方法，其特征在于，步骤四中，训练算法采用随机梯度下降算法、Adam算法、RMSProp算法、Adagrad算法、Adadelta算法、Adamax算法中的任意一种。
10.根据权利要求9所述的基于距离变化深度学习算法的心电异常判断方法，其特征在于，步骤五中，对于新的心电信号snew，将其分别和slabelnew＝1,2…N,合并作为输入，输入到步骤四训练得到的深度学习网络中进行计算；
...【技术特征摘要】
1.基于距离变化深度学习算法的心电异常判断方法，其特征在于，采用以下步骤操作：
2.根据权利要求1所述的基于距离变化深度学习算法的心电异常判断方法，其特征在于，步骤一中，n指的是网络能够诊断疾病的种类数，且n≥2，对于每一种疾病，应该包含至少1万条该疾病的阳性数据。
3.根据权利要求2所述的基于距离变化深度学习算法的心电异常判断方法，其特征在于，步骤一中，采样频率为500hz，每条心电信号的长度为10秒。
4.根据权利要求1所述的基于距离变化深度学习算法的心电异常判断方法，其特征在于，步骤二中，对于数据集合中每一条心电信号，采用[0.5-100]hz的巴特沃兹带通滤波器对于该心电信号的每个导联进行滤波，随后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，心电数据的维度为(5000，12)。
5.根据权利要求4所述的基于距离变化深度学习算法的心电异常判断方法，其特征在于，步骤三中，在m维空间中，n个随机空间点x＝{xn|n＝1,2…n}的两两欧式距离为d(d>1)。
6.根据权利要求5所述的基于距离变化深度学习算法的心电异常判断方法...
【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。