专利汇可以提供一种基于深度卷积神经网络模型的心脏病发风险诊断方法专利检索,专利查询,专利分析的服务。并且本 发明 涉及一种基于深度 卷积神经网络 模型的心脏病发 风 险诊断方法,包括:建立基于深度卷积神经网络的心脏病发风险 预测模型 ,训练学习并测试;使用穿戴设备获取用户的 心电图 和心震图;对比用户的心电图和心震图,辨识出心脏搏动周期特定事件发生时间的心电图特征点以及心震图特征点;计算任两个特征点发生的时间间隔值,获得若干个特征值,由所述若干个特征值计算得到若干个生理指标;DCNN模型根据输入的每个生理指标,输出对应该生理指标的心脏病发风险几率;采用公式 计算用户的心脏病发风险综合概率值;根据所述心脏病发风险综合概率值,判断用户的心脏病发风险等级;本发明能够实时地预测出用户的心脏急性病病发风险概率。,下面是一种基于深度卷积神经网络模型的心脏病发风险诊断方法专利的具体信息内容。
1.一种基于深度卷积神经网络模型的心脏病发风险诊断方法,其特征在于,包括如下步骤:
步骤1:建立基于深度卷积神经网络(DCNN)的心脏病发风险预测模型,将临床评估指数高于第一阈值的若干个生理指标作为心脏病发风险的预测指标,选取若干个临床病患,通过专业医疗设备获取临床病患的所述若干个生理指标,以及对应的临床医师给出的心脏病发诊断结果构成数据集,并将所述数据集分为样本集和测试集,其中,样本集输入至DCNN模型中进行训练学习,训练后将测试集输入至DCNN模型中进行测试,检测所述DCNN模型对心脏病发风险的预测是否符合对应的临床医师给出的心脏病发诊断结果,若是,则进行下一步骤,若否,则对DCNN模型的卷积核尺寸进行参数优化与修正;
步骤2:用户使用穿戴设备,所述穿戴设备可以同时测量用户的心脏电信号以及心脏部位体表的心震信号,经过滤波和去噪的预处理后,获得用户的心电图和心震图;
步骤3:对比用户的心电图和心震图,辨识出心脏搏动周期特定事件发生时间的心电图特征点以及心震图特征点,其中心电图特征点包括QRS波形几何参数以及心电图Q点,心震图特征点包括二尖瓣瓣膜开启时点(MO)、二尖瓣瓣膜关闭时点(MC)、主动脉瓣瓣膜开启时点(AO)、主动脉瓣瓣膜关闭时点(AC)、左心室快速射血时点(RE)、左心室侧壁收缩最大速度时点(LCV)、心房舒张充血最快速度时点(RF)、心房收缩最快速度时点(AS)、心室中隔收缩最大速度时点(SCV)、经主动脉瓣血流最快流速时点(AF)、经肺动脉瓣血流最快流速时点(PF)、经二尖瓣血流收缩部分最快流速时点(MFE)、经二尖瓣心房收缩部分最快流速时点(MFA);
步骤4:计算任两个特征点发生的时间间隔值,获得若干个特征值,由所述若干个特征值计算由步骤1确定的作为心脏病发风险的预测指标的若干个生理指标,依次输入至DCNN模型进行心脏病发风险的预测;
步骤5:所述DCNN模型根据输入的每个生理指标,输出对应该生理指标的心脏病发风险几率;
步骤6:所述DCNN模型输出了所有的所述若干个生理指标对应的心脏病发风险几率后,采用公式 计算用户的心脏病发风险综合概率值,其中,参数n表示输入至DCNN模型的生理指标个数,Ri表示某一生理指标经DCNN模型所预测的心脏病发风险几率,Wi表示第i个生理指标对于心脏病发风险发的加权影响因子;
步骤7:根据所述心脏病发风险综合概率值,判断用户的心脏病发风险等级,所述病发风险等级包括低风险等级、中风险等级、高风险等级,判断结果实时传输至用户穿戴设备的显示界面。
2.如权利要求1所述的基于深度卷积神经网络模型的心脏病发风险诊断方法,其特征在于,在所述步骤1中,所述DCNN模型包括五个特征提取单元和一个预测单元构成,其中,五个特征提取单元进行卷积和池化的交替,实现神经网络的深层结构,提高神经网络的表达能力,每个特征提取单元均包括依次连接的卷积层、批归一化层、激活层和池化层,预测单元包括依次连接的全连接层、Dropout以及和基于逻辑回归的Softmax层,所述全连接层进行特征整合并通过Softmax层进行病发风险几率的预测。
3.如权利要求1所述的基于深度卷积神经网络模型的心脏病发风险诊断方法,其特征在于,在所述步骤2中,所述穿戴设备内部设有若干个感测元件,包括设置在对应心脏部位的体表以感测体表的心震信号的陀螺仪,以及贴附在用户肋骨体表两侧位置以获取心脏电信号的电极贴片。
4.如权利要求1所述的基于深度卷积神经网络模型的心脏病发风险诊断方法,其特征在于,在所述步骤2中,采用巴特沃斯滤波器对心脏电信号进行预处理,滤除原始心脏电信号的高频噪声,考虑到心震信号伴有呼吸带来的干扰信号,采用小波分解与重构去噪法对心震信号进行预处理,选取Symlet小波系,利用多分辨率时频局部化特性把所有心震信号中的不同频率成分分解成不同频带的子信号,将第二尺度的工频干扰以及第八尺度的呼吸引起的噪声的小波系数置零,增强由心震信号引起的小波系数,最后进行重构,完成去噪预处理。
5.如权利要求1所述的基于深度卷积神经网络模型的心脏病发风险诊断方法,其特征在于,在所述步骤4中,所述若干个特征值为7个,相应的计算公式为:
EMD=ΔT(Q-MC)=TMC-TQ、IVCT=ΔT(MC-AO)=TAO-TMC、PEP=ΔT(Q-AO)=TAO-TQ、LVET=ΔT(MO-MC)=TMC-TMO、SYS=ΔT(MC-SVC)=TSVC-TMC;
其中,Ti表示i特征点发生的时点;
以及,所述若干个生理指标为10个,相应的计算公式为:
BIOM-1=PEP/LVET、BIOM-2=IVCT/LVET、BIOM-3=(PEP/LVET)*(IVCT/LVET)、BIOM-4=RET/LVET、BIOM-5=EMD/LVET、BIOM-6=LVET/SYS、BIOM-7=IVCT/SYS、BIOM-8=PEP/SYS、BIOM-9=(PEP/SYS)*(IVCT/SYS)、BIOM-10=EMD/SYS。
6.如权利要求1所述的基于深度卷积神经网络模型的心脏病发风险诊断方法,其特征在于,在所述步骤7中,当所述心脏病发风险综合概率值处于20~40%时,定义此时用户的心脏病发风险处于低风险等级状态;当所述心脏病发风险综合概率值处于40~70%时,定义此时用户的心脏病发风险处于中风险等级状态;当所述心脏病发风险综合概率值高于
70%时,定义此时用户的心脏病发风险处于高风险等级状态,此时穿戴设备发出警示信号。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
一种曲率驱动扩散全卷积网络地震数据坏道重建与去噪方法 | 2020-05-14 | 830 |
一种近地面颗粒浓度估算方法及系统 | 2020-05-16 | 101 |
一种富水流塑地层盾构隧道下穿铁路框架桥施工方法 | 2020-05-13 | 899 |
一种图像识别的英语作文跑题判断方法 | 2020-05-11 | 938 |
一种基于神经网络的中文关系抽取方法 | 2020-05-14 | 810 |
一种基于句法模式和机器学习的开放式关系的抽取方法 | 2020-05-12 | 901 |
一种组合深度学习和概念图谱的电力故障事件抽取方法 | 2020-05-11 | 271 |
一种基于双重交错的医学图像分割网络 | 2020-05-15 | 751 |
一种基于卷积神经网络的联合图像去噪与弱光增强方法 | 2020-05-12 | 743 |
文本相似性计算方法、装置、电子设备及可读存储介质 | 2020-05-13 | 946 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。