【技术实现步骤摘要】
本专利技术涉及医学辅助检测，尤其涉及一种基于深度学习的左心室射血分数自动检测方法。
技术介绍
1、左心室收缩功能障碍(left ventricular systolic dysfunction,lvsd)是引起大多数症状性心衰的原因，早期发现、及时干预能够有效提升患者的预后。左心室射血分数(left ventricular ejection fraction,lvef)是临床中评价左心室功能的重要指标，但目前临床中lvef值常用超声心动图检查评估，该方法在初级医疗中通常不采用。这可能会导致患者需要花费较长的时间进行相关检查和确诊，不能在第一时间发现早期心功能障碍。同时，需要密切观察心功能变化的患者只能频繁进行超声心动图测量且无法保证监测的实时性。心电图检查以其安全无创、成本低廉、操作简单的优势克服了目前超声检查存在的局限性，是初级医疗中的常用检查手段。随着动态心电图和可穿戴心电监测设备的发展，利用心电图实现心功能各项参数的实时评估成为了可能。但目前临床研究仍未发现特异性的lvef减低的心电图标志物，更难以获得准确的lvef值。因此，提出一种使用心电图预测lvef值的方法具有重要意义。
2、文献(侯玉娜,杨秀玲.心力衰竭患者心电图qrs波时限、nt-probnp水平及相关性分析[j].河北医药,2022,44(12):1826-1828+1832.)探讨了心电图qrs波时限与心功能关系，阐述了心电图对于心力衰竭患者心功能评估的重要意义。文献采用日本光电公司提供的型号为ecg-1550p的心电图机采集患者的标准12导联心
技术实现思路
1、本专利技术要解决的技术问题是针对上述现有技术的不足，提供一种基于深度学习的左心室射血分数自动检测方法，基于深度神经网络，在实现心功能障碍筛查的同时，自动预测出lvef整数值，实现心功能障碍的早期筛查和lvef值的初级医疗监测，为临床诊疗提供可靠的参考信息。
2、为解决上述技术问题，本专利技术所采取的技术方案是：
3、一种基于深度学习的左心室射血分数自动检测方法，包括下列步骤：
4、步骤1：输入心电图；所述心电图数据为12导联心电图的原始xml数据，或xml数据解析后的csv二维数组和png波形图，及原始数据对应的标签即由超声心动图测定的lvef值；
5、步骤2：根据数据集配置深度神经网络工作模式；
6、划分三种数据集类型：
7、训练和测试数据集：包括原始心电图数据和对应的标签，用于训练和测试初始化的深度神经网络模型；
8、微调数据集：包括原始心电图数据和对应的标签，用于微调预训练的深度神经网络模型参数；
9、lvef待评估数据集：12导联心电图的原始xml数据或xml数据解析后的csv二维数组和png波形图，用于临床评估lvef指标；
10、步骤3：如果用户使用的是训练和测试数据集，则初始化深度神经网络模型，然后执行步骤6；否则执行步骤4；
11、所述深度神经网络模型基于resnet网络结构搭建，分为一维resnet分支和二维resnet分支；一维resnet分支以心电信号数值的矩阵i1d作为输入，学习心电图的数值特征；二维resnet分支以原始心电信号生成的二维波形图i2d作为输入，学习心电图的波形特征；两种形式的数据依次输入到两个分支中，经过两个分支的初步特征学习后，通过融合注意力模块ffa对特征进一步强化，最终得到两个分支的特征图；最后，经过特征融合模块fbff对所得到的特征图进行融合，得到lvef预测值；
12、步骤4：加载预训练模型；
13、步骤5：如果用户使用的是微调数据集，则执行步骤6，否则执行步骤8；
14、步骤6：加载模型参数配置并训练模型；
15、步骤7：输出并保存训练得到的模型参数；
16、步骤8：加载模型参数配置，并使用训练完成的模型计算lvef指标；
17、步骤9：输出lvef指标。
18、进一步地，所述融合注意力模块，通过两种数据形式的信息交互共同引导特征学习，选择性的抑制与lvef相关性低的特征，激励与lvef相关性高的特征；两个分支的数据分别经过相应的一维或二维池化层、卷积层和sigmoid激活函数层得到各自的注意力区域；然后一维的注意力被归一化至二维的宽度并复制至二维的高度，与二维的注意力特征图相加得到二维融合注意力矩阵；二维的注意力经过平均池化并缩放至一维的长度，与一维注意力相加，得到一维融合注意力矩阵；得到两个融合注意力矩阵后，将两个融合注意力图与融合注意力模块输入的原始数据相乘，得到该模块的输出数据。
19、进一步地，所述双分支特征融合模块，用于进行充分的特征对齐和融合；在双分支特征融合模块中，来自双分支的特征，首先分别经过一维和二维卷积，经过不同卷积层将两个分支的特征处理至相同尺寸，实现特征表示的初步对齐；一维分支采用1×3卷积进一步提取特征，二维分支采用13×1卷积将特征归一化至一维时序，采用1×1卷积降低通道数，减少参数量，实现将二维分支的特征转换为形式与一维分支相同的特征；然后将相同尺寸的特征分别做平均池化和最大池化后在通道维拼接，通过batch normalization(bn)层实现归一化；使用一维卷积提取和融合两个分支的信息，最后通过平均池化和全连接层输出lvef预测结果。
20、进一步地，所述步骤6的具体方法为：
21、步骤6.1：接收训练样本，训练样本为带有标签的心电图数据；
22、步骤6.2：采用五折交叉验证，每折使用数据集的80％数据作为训练样本，20％数据作为测试样本，初始化模型权重；
23、步骤6.3：输入n例心电图数据至模型的输入层中；
24、步骤6.4：通过前向传播对网络模型进行训练，通过sigmoid分类器输出计算的分类概率和lvef值；
25、步骤6.5：利用bce loss和mse loss分别计算分类结果和lvef值与标签值的误差；
26、步骤6.6：基于步骤6.5计算的误差优化模型权重；
27、步骤6.7：重复步骤6.3～步骤6.6，直至最大迭代次数或误差小于设定值。
28、进一步地，所述步骤8的具体方法为：
29、步骤8.1：接收测试样本，测试样本为lvef待评估的心电图数据；
30、步骤8.2：加载训练完成的模型参数，初始化模型；
31、步骤8.3：每本文档来自技高网...
【技术保护点】
1.一种基于深度学习的左心室射血分数自动检测方法，其特征在于：所述方法包括下列步骤：
2.根据权利要求1所述的基于深度学习的左心室射血分数自动检测方法，其特征在于：所述融合注意力模块，通过两种数据形式的信息交互共同引导特征学习，选择性的抑制与LVEF相关性低的特征，激励与LVEF相关性高的特征；两个分支的数据分别经过相应的一维或二维池化层、卷积层和sigmoid激活函数层得到各自的注意力区域；然后一维的注意力被归一化至二维的宽度并复制至二维的高度，与二维的注意力特征图相加得到二维融合注意力矩阵；二维的注意力经过平均池化并缩放至一维的长度，与一维注意力相加，得到一维融合注意力矩阵；得到两个融合注意力矩阵后，将两个融合注意力图与融合注意力模块输入的原始数据相乘，得到该模块的输出数据。
3.根据权利要求2所述的基于深度学习的左心室射血分数自动检测方法，其特征在于：所述双分支特征融合模块，用于进行充分的特征对齐和融合；在双分支特征融合模块中，来自双分支的特征，首先分别经过一维和二维卷积，经过不同卷积层将两个分支的特征处理至相同尺寸，实现特征表示的初步对齐；一维分支
4.根据权利要求1所述的基于深度学习的左心室射血分数自动检测方法，其特征在于：所述步骤6的具体方法为：
5.根据权利要求1所述的基于深度学习的左心室射血分数自动检测方法，其特征在于：所述步骤8的具体方法为：
6.根据权利要求1所述的基于深度学习的左心室射血分数自动检测方法，其特征在于：所述步骤3中，如果用户使用的是训练和测试数据集，则配置深度神经网络模型工作模式为训练模式。
7.根据权利要求1所述的基于深度学习的左心室射血分数自动检测方法，其特征在于：所述步骤5中，如果用户使用的是微调数据集，则配置深度神经网络模型工作模式为训练模式；如果用户使用的是LVEF待评估数据集，则配置深度神经网络模型工作模式为验证模式。
...【技术特征摘要】
1.一种基于深度学习的左心室射血分数自动检测方法，其特征在于：所述方法包括下列步骤：
2.根据权利要求1所述的基于深度学习的左心室射血分数自动检测方法，其特征在于：所述融合注意力模块，通过两种数据形式的信息交互共同引导特征学习，选择性的抑制与lvef相关性低的特征，激励与lvef相关性高的特征；两个分支的数据分别经过相应的一维或二维池化层、卷积层和sigmoid激活函数层得到各自的注意力区域；然后一维的注意力被归一化至二维的宽度并复制至二维的高度，与二维的注意力特征图相加得到二维融合注意力矩阵；二维的注意力经过平均池化并缩放至一维的长度，与一维注意力相加，得到一维融合注意力矩阵；得到两个融合注意力矩阵后，将两个融合注意力图与融合注意力模块输入的原始数据相乘，得到该模块的输出数据。
3.根据权利要求2所述的基于深度学习的左心室射血分数自动检测方法，其特征在于：所述双分支特征融合模块，用于进行充分的特征对齐和融合；在双分支特征融合模块中，来自双分支的特征，首先分别经过一维和二维卷积，经过不同卷积层将两个分支的特征处理至相同尺寸，实现特征表示的初步对齐；一维分支采用1×3卷积进一步提取特征...
【专利技术属性】
技术研发人员：杨金柱，齐怡秋，刘宝鑫，于琪，王鸿菲，李洪赫，瞿明军，覃文军，曹鹏，
申请(专利权)人：东北大学，
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。