基于深度学习的充血性心力衰竭自动诊断方法技术

本发明专利技术涉及充血性心力衰竭检测技术领域，具体涉及一种基于深度学习的充血性心力衰竭自动诊断方法。该基于深度学习的充血性心力衰竭自动诊断方法包括以下步骤：步骤一、获取两组心电图数据，其中一组数据为正常组，另一组为心衰组，对两组心电图数据进行处理；步骤二：构建深度学习模型；步骤三：对模型进行训练，进一步优化模型；步骤四：评估模型的分类准确性，提供一种提高充血性心力衰竭诊断的准确性，为医生进一步治疗提供了有效的参考依据的基于深度学习的充血性心力衰竭自动诊断方法。

【技术实现步骤摘要】
基于深度学习的充血性心力衰竭自动诊断方法
本专利技术涉及充血性心力衰竭检测
，具体涉及一种基于深度学习的充血性心力衰竭自动诊断方法。
技术介绍
充血性心力衰竭是全球慢性心血管疾病的重要组成部分，主要是由于各种心脏疾病导致心脏结构或功能紊乱，进而使心脏无法向其他组织和器官输送足够的富氧血液而引起的一组临床综合征。心室泵送功能不足，还会导致血液和体液回流到患者的肺部和身体里，从而导致患者呼吸窘迫和全身肿胀。充血性心力衰竭是造成全球死亡率和发病率的主要因素，也是导致医疗支出增加的重要因素。其具有高发病率、高医疗诊治花费、高死亡率、预后差的特点，已成为全球范围内的重大公共卫生问题。充血性心力衰竭的诊断是一种临床诊断，需要综合患者的症状和体征来判断。心电图是一种非侵入性的检查，可以记录患者的心脏活动。通常情况下，都需要心脏病学方面的专家亲自查看患者的心电图信号，检测信号中是否存在异常，才能判断患者是否患有充血性心力衰竭。但是这种人工对心电图进行视觉检查评估是很浪费时间的，也会受到观察者的不同而产生一些差异。因此，利用机器学习技术自动学习获取知识来进行充血性心力衰竭诊断，以为医生进一步治疗提供参考依据是具有重要意义的。目前，已经有很多学者提出了利用机器学习技术实现充血性心力衰竭诊断的方法。他们主要使用基于特征提取的机器学习方法，通过将提取的特征(例如形态特征、时域特征、频域特征等)输入到分类器中进行诊断。为了得到更好的分类结果，其通常需要结合多个特征参数对模型进行训练。例如支持向量机(SVM)、决策树、随机森林等算法都已经成功应用于分析、检测和分类心力衰竭。这种基于特征提取的机器学习算法，严重依赖于人类经验，并且需要进行复杂的特征提取和特征选择工作。相较而言，深度学习算法更具有优势。现有的基于深度学习技术实现充血性心力衰竭诊断的研究相对较少，且大多都是基于卷积神经网络(CNN)实现的。CNN只能捕获心电信号的局部特征，而心电图本质上其实是一种时间序列数据，利用CNN并不能很好的捕获心电信号的全局特征和长短期依赖。目前的研究都未能解决这一问题，因此构建一种在捕获心电信号局部特征的同时，也能捕获心电信号的序列特征和全局特征的技术至关重要。
技术实现思路
本专利技术要解决的技术问题是：克服现有技术的不足，提供一种提高充血性心力衰竭诊断的准确性，为医生进一步治疗提供了有效的参考依据的基于深度学习的充血性心力衰竭自动诊断方法。本专利技术为解决其技术问题所采用的技术方案为：基于深度学习的充血性心力衰竭自动诊断方法，包括以下步骤：步骤一、获取两组心电图数据，其中一组数据为正常组，另一组为心衰组，对两组心电图数据进行处理；步骤二：构建深度学习模型；步骤三：对模型进行训练，进一步优化模型；步骤四：评估模型的分类准确性。所述步骤一中心电图数据存储在PhysioBank数据库中，从PhysioBank数据库中获取心电图数据，将心电图数据分为正常组和心衰组两类数据，然后进行数据预处理，预处理包括去噪、转换采样率、心拍分段及标准化、数据集划分。步骤一种将数据划分为训练集、验证集及测试集。步骤二中深度学习模型主要基于双向循环神经网络和卷积神经网络构建。所述本专利技术所使用的双向循环神经网络为双向门控循环单元网络BiGRU，其主要是用来提取心电信号的时序特征和全局特征。步骤二包括以下子步骤：2-1：时序特征和全局特征的提取：将BiGRU层的输出拼接成矩阵，作为卷积神经网络的输入；2-2：局部特征的提取：使用两种不同大小的卷积核来提取心电信号不同位置的不同长度的局部特征，并同时使用最大池化和平均池化两种池化方式来减少特征信息的丢失，以获得更加全面、完整的心电信号特征；2-3：进行充血性心力衰竭诊断：经过Flatten层，将池化层的输出转化为一维特征向量，经过两个全连接层进行降维，利用输出层得到分类结果，即充血性心力衰竭的诊断结果。利用训练集的数据对模型进行训练，学习模型的参数，利用验证集调节模型的超参数，进一步优化模型。利用测试集进行模型性能评估，进一步评估模型的分类准确性。与现有技术相比，本专利技术具有以下有益效果：本专利技术提供一种基于深度学习的充血性心力衰竭自动诊断方法，提出了一种基于深度学习的充血性心力衰竭自动诊断方法，以期能在不做复杂的特征提取和特征选择工作的前提下，实现更加有效的充血性心力衰竭自动诊断；基于深度学习完成了心电信号的时序特征、局部特征以及全局特征的自动提取，可以学习到更加全面、完整的心电信号特征，提高充血性心力衰竭诊断的准确性，为医生进一步治疗提供了有效的参考依据；本专利技术提出的方法不需要经过复杂的特征提取和特征选择工作，利用深度学习技术就可以实现特征的自动提取，节省了大量的人力资源和时间，具有较高的效率；本专利技术将双向循环神经网络和卷积神经网络进行了有效的融合。利用双向循环神经网络可以在考虑心电信号时间序列的同时有效地学习到心电信号的全局特征；利用具有不同大小的卷积核的卷积神经网络，则可以提取到心电信号不同位置的不同长度的局部特征。特别地，为了减少特征信息的丢失，本专利技术同时采用了最大池化和平均池化。最终，本专利技术可以提取出更加全面的心电信号特征，为充血性心力衰竭的诊断提供了有力的支撑，从而使诊断的准确性大大提升。附图说明图1是本专利技术流程图。图2是本专利技术基于深度学习的模型图。具体实施方式下面结合附图对本专利技术实施例做进一步描述：实施例如图1至图2所示，包括以下步骤：步骤一、获取两组心电图数据，其中一组数据为正常组，另一组为心衰组，对两组心电图数据进行处理；步骤二：构建深度学习模型；步骤三：对模型进行训练，进一步优化模型；步骤四：评估模型的分类准确性。所述步骤一中心电图数据存储在PhysioBank数据库中，从PhysioBank数据库中获取心电图数据，将心电图数据分为正常组和心衰组两类数据，然后进行数据预处理，预处理包括去噪、转换采样率、心拍分段及标准化、数据集划分。步骤一种将数据划分为训练集、验证集及测试集。步骤二中深度学习模型主要基于双向循环神经网络和卷积神经网络构建。所述本专利技术所使用的双向循环神经网络为双向门控循环单元网络BiGRU，其主要是用来提取心电信号的时序特征和全局特征。步骤二包括以下子步骤：2-1：时序特征和全局特征的提取：将BiGRU层的输出拼接成矩阵，作为卷积神经网络的输入；2-2：局部特征的提取：使用两种不同大小的卷积核来提取心电信号不同位置的不同长度的局部特征，并同时使用最大池化和平均池化两种池化方式来减少特征信息的丢失，以获得更加全面、完整的心电信号特征；2-3：进行充血性心力衰竭诊断：经过Flatten层，将池化层的输出转化为一维特征向量，经过两个全连接层进行降维，利用输出层得到分类结果，即充血性心力衰竭的诊断结果。利用训本文档来自技高网...

【技术保护点】
1.一种基于深度学习的充血性心力衰竭自动诊断方法，其特征在于，包括以下步骤：/n步骤一、获取两组心电图数据，其中一组数据为正常组，另一组为心衰组，对两组心电图数据进行处理；/n步骤二：构建深度学习模型；/n步骤三：对模型进行训练，进一步优化模型；/n步骤四：评估模型的分类准确性。/n

【技术特征摘要】
1.一种基于深度学习的充血性心力衰竭自动诊断方法，其特征在于，包括以下步骤：
步骤一、获取两组心电图数据，其中一组数据为正常组，另一组为心衰组，对两组心电图数据进行处理；
步骤二：构建深度学习模型；
步骤三：对模型进行训练，进一步优化模型；
步骤四：评估模型的分类准确性。


2.根据权利要求1所述的基于深度学习的充血性心力衰竭自动诊断方法，其特征在于，所述步骤一中心电图数据存储在PhysioBank数据库中，从PhysioBank数据库中获取心电图数据，将心电图数据分为正常组和心衰组两类数据，然后进行数据预处理，预处理包括去噪、转换采样率、心拍分段及标准化、数据集划分。


3.根据权利要求2所述的基于深度学习的充血性心力衰竭自动诊断方法，其特征在于，步骤一种将数据划分为训练集、验证集及测试集。


4.根据权利要求3所述的基于深度学习的充血性心力衰竭自动诊断方法，其特征在于，步骤二中深度学习模型主要基于双向循环神经网络和卷积神经网...

【专利技术属性】
技术研发人员：孙见山，房洁，朱宏民，
申请(专利权)人：安徽十锎信息科技有限公司，
类型：发明
国别省市：安徽;34