基于深度学习的多分支心衰诊断方法及系统技术方案

本发明专利技术公开了基于深度学习的多分支心衰诊断方法及系统，涉及智慧医疗技术领域；获取心电图像数据集并进行预处理；构建融合区域性向量注意力机制的多分支心衰诊断模型，包括提取12导联特征、将12导联特征进行深度融合、基于融合后的特征进行分类；通过梯度加权类激活映射将多分支心衰诊断模型的诊断结果进行可解释性分析。本发明专利技术在12导联特征提取中有效地集成了深度可分离卷积和基于局部向量的自注意力LVS，全面提取每个导联的心衰特征信息。随后，每个导联的特征图沿着深度维度融合，促进整体表示，利用各个导联的独特视角来彻底表征心衰心电图。同时，采用预训练的Densenet161进行迁移学习来增加模型泛化能力，避免过拟合。

【技术实现步骤摘要】

本专利技术涉及智慧医疗，具体涉及基于深度学习的多分支心衰诊断方法及系统。

技术介绍

1、心力衰竭(heart failure，简称hf)代表心血管疾病及其相关病症的严重和晚期阶段。其主要特点是心脏无法有效泵血，导致身体供氧不足，对患者的生活质量和预期寿命构成严重威胁。心力衰竭是心血管疾病领域的首要死因，几乎所有的心血管疾病最终都会进展到这个阶段。因此，及时监测患者的心力衰竭状况具有重要意义。

2、目前可以通过心电图(ecg)来监测心力衰竭。心电图提供心脏电活动的描绘，其中每个心动周期或心跳通常展示p波、qrs波群和t波。对每个心脏波形的形状、幅度和间隔的深入分析可以产生丰富的临床见解，这使心电图成为了广泛接受的检测和诊断心脏病的工具。尽管如此，由于不同患者心电图形态的差异以及各种类型心律失常的存在，临床评估存在很大的主观性。

3、计算机辅助心电图诊断可以有效解决上述问题。多项研究表明，计算机辅助诊断可以提高医学专家的诊断准确性，甚至有报告表明部分人工智能算法可以在某些领域实现专家级的分析和诊断。深度学习在心电图数据分析领域展现了卓越本文档来自技高网...

【技术保护点】

1.一种基于深度学习的多分支心衰诊断方法，其特征在于，包括以下步骤：

2.根据权利要求1所述一种基于深度学习的多分支心衰诊断方法，其特征在于，获取心电图像数据集方式为：和医院合作，收集多名心衰患者的心电图像数据，并删除自发性LVRR心肌患者的心电图像数据。

3.根据权利要求1所述一种基于深度学习的多分支心衰诊断方法，其特征在于，对心电图像数据进行预处理方式为：对原始心电图像进行裁剪，去除心电图像上患者心率、P-R期间的元数据，仅保留原始心电图像中波形部分，同时采取不改变波形特征方式进行心电图像数据扩充。

4.根据权利要求1所述一种基于深度学习的多分支心...

【技术特征摘要】

1.一种基于深度学习的多分支心衰诊断方法，其特征在于，包括以下步骤：

2.根据权利要求1所述一种基于深度学习的多分支心衰诊断方法，其特征在于，获取心电图像数据集方式为：和医院合作，收集多名心衰患者的心电图像数据，并删除自发性lvrr心肌患者的心电图像数据。

3.根据权利要求1所述一种基于深度学习的多分支心衰诊断方法，其特征在于，对心电图像数据进行预处理方式为：对原始心电图像进行裁剪，去除心电图像上患者心率、p-r期间的元数据，仅保留原始心电图像中波形部分，同时采取不改变波形特征方式进行心电图像数据扩充。

4.根据权利要求1所述一种基于深度学习的多分支心衰诊断方法，其特征在于，构建融合区域性向量注意力机制的多分支心衰诊断模型方式为：提取12导联特征、将12导联特征进行深度融合、基于融合后的特征进行分类。

5.根据权利要求4所述一种基于深度学习的多分支心衰诊断方法，其特征在于，提取12导联特征方式为：通过一个多分支网络提取心电图像中每个导联的特征，所述多分支网络包括12个独立分支，每个分支都包含一系列与深度可分...

【专利技术属性】
技术研发人员：秦静，黄晓菲，邹启杰，刘璐，张树龙，
申请(专利权)人：大连大学，
类型：发明
国别省市：