CN111261277A - 一种基于深度学习模型的心脏疾病的检测方法 - Google Patents
一种基于深度学习模型的心脏疾病的检测方法 Download PDFInfo
- Publication number
- CN111261277A CN111261277A CN201811448559.5A CN201811448559A CN111261277A CN 111261277 A CN111261277 A CN 111261277A CN 201811448559 A CN201811448559 A CN 201811448559A CN 111261277 A CN111261277 A CN 111261277A
- Authority
- CN
- China
- Prior art keywords
- data
- heart disease
- deep learning
- electrocardio
- nonlinear system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 208000019622 heart disease Diseases 0.000 title claims abstract description 187
- 238000001514 detection method Methods 0.000 title claims abstract description 78
- 238000013136 deep learning model Methods 0.000 title claims abstract description 40
- 239000013598 vector Substances 0.000 claims abstract description 104
- 238000000034 method Methods 0.000 claims abstract description 95
- 238000013135 deep learning Methods 0.000 claims abstract description 63
- 238000013528 artificial neural network Methods 0.000 claims description 52
- 238000013527 convolutional neural network Methods 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 28
- 125000004122 cyclic group Chemical group 0.000 claims description 26
- 208000020446 Cardiac disease Diseases 0.000 claims description 17
- 230000000747 cardiac effect Effects 0.000 claims description 13
- 201000010099 disease Diseases 0.000 claims description 12
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 12
- 230000001537 neural effect Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 abstract description 19
- 230000000694 effects Effects 0.000 abstract description 9
- 238000000605 extraction Methods 0.000 abstract description 9
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000013499 data model Methods 0.000 abstract 1
- 238000003672 processing method Methods 0.000 abstract 1
- 239000010410 layer Substances 0.000 description 147
- 238000011176 pooling Methods 0.000 description 32
- 230000006870 function Effects 0.000 description 31
- 208000031225 myocardial ischemia Diseases 0.000 description 25
- 239000011159 matrix material Substances 0.000 description 23
- 208000010125 myocardial infarction Diseases 0.000 description 22
- 206010006580 Bundle branch block left Diseases 0.000 description 17
- 230000001575 pathological effect Effects 0.000 description 15
- 230000004913 activation Effects 0.000 description 13
- 238000010276 construction Methods 0.000 description 13
- 230000000306 recurrent effect Effects 0.000 description 12
- 230000009467 reduction Effects 0.000 description 12
- 238000007781 pre-processing Methods 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 10
- 238000002474 experimental method Methods 0.000 description 9
- 238000012795 verification Methods 0.000 description 9
- 238000001914 filtration Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 6
- 239000000779 smoke Substances 0.000 description 6
- 208000029078 coronary artery disease Diseases 0.000 description 5
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 5
- 230000036541 health Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 108010074051 C-Reactive Protein Proteins 0.000 description 3
- 102100032752 C-reactive protein Human genes 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 3
- 238000002586 coronary angiography Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 208000004476 Acute Coronary Syndrome Diseases 0.000 description 2
- 206010002383 Angina Pectoris Diseases 0.000 description 2
- 102000004420 Creatine Kinase Human genes 0.000 description 2
- 108010042126 Creatine kinase Proteins 0.000 description 2
- 206010020751 Hypersensitivity Diseases 0.000 description 2
- 108010044467 Isoenzymes Proteins 0.000 description 2
- 208000009525 Myocarditis Diseases 0.000 description 2
- 206010049418 Sudden Cardiac Death Diseases 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 2
- 206010003119 arrhythmia Diseases 0.000 description 2
- 230000006793 arrhythmia Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000000718 qrs complex Methods 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 102000015779 HDL Lipoproteins Human genes 0.000 description 1
- 108010010234 HDL Lipoproteins Proteins 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 102000003855 L-lactate dehydrogenase Human genes 0.000 description 1
- 108700023483 L-lactate dehydrogenases Proteins 0.000 description 1
- 102000007330 LDL Lipoproteins Human genes 0.000 description 1
- 108010007622 LDL Lipoproteins Proteins 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 102000036675 Myoglobin Human genes 0.000 description 1
- 108010062374 Myoglobin Proteins 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000005189 cardiac health Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009711 regulatory function Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种基于深度学习模型的心脏疾病的检测方法，构建了心电向量数据和心电非线性系统动态数据的深度学习识别模型，并对不同数据的模型识别分类所得的心脏疾病结果赋以相应权重值，获得心脏疾病检测的综合判定结果；解决了心脏电活动连续的动态信号的模型处理方法及不同来源数据的模型分析等方面的技术难题。本发明所述基于深度学习模型的心脏疾病的检测方法，完成了对心电非线性系统动态数据的自动提取和智能诊断，提升了心脏疾病检测的准确率和检测效率，且随着扩充进数据库中心电非线性系统动态数据的增多，诊断效果会随之不断提升，有利于医生后期对待测人员的心脏疾病病情进行早期干预和精准治疗。
Description
技术领域
本发明涉及心脏疾病的检测领域，特别是涉及基于深度学习模型的心脏疾病的检测方法。
背景技术
当前，我国社会逐渐步入老龄化的社会，饮食习惯的变化和脑力劳动者数量不断增加等因素，使得我国的心血管疾病的发病率和病死率逐年上升；因此，对于心脏疾病患者的医学筛查至关重要。然而，现有心脏疾病监测和检测手段繁琐复杂，检测成本偏高，微弱症状的早期心脏疾病筛查并不能及时有效地进行筛选。对于被检测者而言，现有的心脏疾病检测手段既浪费了患者的诊疗时间，提高了心脏疾病患者的诊断成本，又不能对患者自身的心脏疾病进行准确的识别，这严重地危害了心脏疾病患者的生命安全。因此，亟需开发一种心脏疾病检测方法，充分有效地利用现有的病理数据，改善心脏疾病监测的准确性和敏感性，帮助医生后期对待测人员的心脏疾病病情进行早期干预以及精准治疗。
中国发明专利CN107348971A公开了一种基于心音检测和深度学习算法的心脏病筛查系统，包括信号采集模块、心音数据分析模块和数据库模块；该发明能够实现非入侵式的心脏病筛查，利用简单便携的心音采集器，能够解决就医时排队耗时且费用昂贵的现状。
然而，对于心脏疾病的检测方法，既需要能对心脏疾病的病理数据信息的利用上进行充分挖掘，又需要在心脏电活动的动态病理特征的分析过程中能充分分析出心脏的动态病理信息，以全面地呈现复杂的心脏电活动过程。因此，有必要提供改进的技术方案以克服现有技术中存在的技术问题。
发明内容
本发明提供一种基于深度学习模型的心脏疾病的检测方法，主要用于解决提高心脏疾病检测的准确性以及对连续的心脏疾病的动态信号进行处理的问题。本发明通过构建心电数据、心电向量数据和心电非线性系统动态数据的深度学习模型以及权重分配等技术手段，解决现有心脏疾病检测方法的准确性低、无法分析连续的心脏疾病的动态信号等方面的技术难题，提高了心脏疾病检测的准确性和检测效率，并可分析连续的心脏疾病的动态信号，有利于医生后期对待测人员的心脏疾病病情进行早期干预和精准治疗。
为了实现前述目的，本发明一方面提供一种基于深度学习模型的心脏疾病检测方法，包括以下步骤：
步骤1、获取样本数据集，所述样本数据集包括心电非线性系统动态数据；
步骤2、构建特定心脏疾病的深度学习模型；
步骤3、将步骤1获取的样本数据集输入到步骤2所述特定心脏疾病的深度学习模型进行训练，获得特定心脏疾病的深度学习识别模型。
可选地，在如前所述的基于深度学习模型的心脏疾病的检测方法中，步骤1所述样本数据集还包括心电向量数据；优选地，步骤1所述样本数据集还包括心电数据。
可选地，在如前所述的基于深度学习模型的心脏疾病的检测方法中，步骤2中所述特定心脏疾病的深度学习识别模型包括卷积神经网络、循环神经网络、生成式对抗网络、堆叠自动编码器、全连接网络、无监督预训练网络、深度信念网络、深度玻尔兹曼机和神经张量网络中的至少一种。
可选地，在如前所述的基于深度学习模型的心脏疾病的检测方法中，还包括步骤4：采集待测人员的心电数据、和/或心电向量数据、和/或心电非线性系统动态数据，将待测人员的心电数据、和/或心电向量数据、和/或心电非线性系统动态数据输入到步骤3中所述特定心脏疾病的深度学习识别模型，得到待测人员的心脏疾病检测结果：待测人员的心电数据的特定心脏疾病的深度学习识别模型输出结果、和/或心电向量数据的特定心脏疾病的深度学习识别模型输出结果、和/或心电非线性系统动态数据的特定心脏疾病的深度学习识别模型输出结果。
可选地，在如前所述的基于深度学习模型的心脏疾病的检测方法中，步骤4所述待测人员的心脏疾病检测结果还包括：选取待测人员的心电数据的特定心脏疾病的深度学习识别模型输出结果、心电向量数据的特定心脏疾病的深度学习识别模型输出结果、和心电非线性系统动态数据的特定心脏疾病的深度学习识别模型输出结果中的至少两种用于所述特定心脏疾病检测时，需赋以适应特定心脏疾病的权重值。
本发明另一方面提供一种基于深度学习模型的心脏疾病检测方法，包括以下步骤：
步骤1.获取待测人员的心电数据、心电向量数据和心电非线性系统动态数据中的至少一种；
步骤2.将步骤1得到的待测人员的心电数据、和/或心电向量数据、和/或心电非线性系统动态数据输入到特定心脏疾病的深度学习模型中；
步骤3.输出待测人员的特定心脏疾病检测结果；
优选地，所述特定心脏疾病的深度学习模型包括卷积神经网络、循环神经网络、生成式对抗网络、堆叠自动编码器、全连接网络、无监督预训练网络、深度信念网络、深度玻尔兹曼机和神经张量网络中的至少一种。
本发明再一方面提供一种基于深度学习模型的心脏疾病检测方法，包括以下步骤：
步骤S1.获取特定心脏疾病的样本数据，所述特定心脏疾病的样本数据包括心电数据、心电向量数据和心电非线性系统动态数据中的至少一种；
步骤S2.对步骤S1获取的特定心脏疾病的样本数据进行深度学习，构建特定心脏疾病的深度学习识别模型；
优选地，所述特定心脏疾病的深度学习识别模型选自卷积神经网络、循环神经网络、生成式对抗网络、堆叠自动编码器、全连接网络、无监督预训练网络、深度信念网络、深度玻尔兹曼机和神经张量网络中的至少一种。
本发明再一方面提供一种基于深度学习模型的心脏疾病检测系统，包括：
数据获取模块，所述数据获取模块用于获取待测人员的心电非线性系统动态数据、心电向量数据和心电数据中的至少一种；
数据处理模块，所述数据处理模块输入的数据为所述数据获取模块所获取的数据，所述数据处理模块的处理工具为特定心脏疾病的深度学习识别模型，所述特定心脏疾病的深度学习识别模型是通过前述心脏疾病检测方法构建；
疾病识别模块，所述疾病识别模块根据所述数据处理模块的处理结果来决定输出特定心脏疾病的病情信息。
本发明再一方面提供一种心脏疾病的检测产品，所述检测产品使用了前述心脏疾病检测方法。
本发明再一方面提供一种前述检测产品在心脏疾病检测上的应用。
本发明所述心脏疾病的检测方法，具有以下的技术效果：
1)采用深度学习的技术，完成心脏疾病病理特征的自动提取和智能诊断，具备较高的准确性，并且随着扩充进数据库中病理特征的指标数据的增多，其诊断效果会随之不断提升。
2)考量的心脏疾病的动态病理信息特征更加丰富，检测的准确性等性能有了明显的提高；减少了诊断用时，并可对连续的动态信号进行处理，而非静态信号处理；有利于医生后期对待测人员的心脏疾病病情进行早期干预和精准治疗。
3)诊断过程中无需专业医生的介入，普通用户可以简单方便地完成自我诊断、自我监测，也可以作为计算机辅助诊断系统部署在社区医院或乡镇医院等缺少专业医生的场所。
具体实施方式
针对现有的心脏疾病检测方法对心脏疾病病理数据信息挖掘不足、心脏疾病检测的准确性低、无法分析连续心脏疾病动态信号等方面的不足，本申请发明人提取了心电数据、心电向量数据和心电非线性系统动态数据，构建心脏疾病的深度学习识别模型，并采用迁移学习的方法对深度学习识别模型的参数进行调整，然后优化不同深度学习识别模型输出结果的权重分配，获得针对特定心脏疾病的自动鉴别模型，可分析连续的心脏疾病的动态信号，并完成心脏疾病病理特征的自动提取和智能诊断，具备较高的准确性和检测效率，并且随着扩充进数据库中病理特征的指标数据的增多，其诊断效果会随之不断提升。
以下结合具体实施例，对本发明作进一步说明。应理解，以下优选的实施例仅用于说明本发明而非用于限定本发明的范围。
下列实施例中未注明具体条件的实验方法，通常按照国家标准测定。若没有相应的国家标准，则按照通用的国际标准、常规条件、或按照制造厂商所建议的条件进行。
除非另有定义或说明，本文中所使用的所有专业与科学用语与本领域技术人员所熟悉的意义相同。此外任何与所记载内容相似或均等的方法及材料皆可应用于本发明方法中。
本发明中，术语“含有”或“包括”表示各种方法可一起应用于本发明的方法中。因此，术语“主要由...组成”和“由...组成”包含在术语“含有”或“包括”中。
本文所公开的“范围”以下限和上限的形式。可以分别为一个或多个下限，和一个或多个上限。给定范围是通过选定一个下限和一个上限进行限定的。选定的下限和上限限定了特别范围的边界。所有可以这种方式进行限定的范围是包含和可组合的，即任何下限可以与任何上限组合形成一个范围。例如，如果列出的最小范围值1和2，和如果列出了最大范围值3，4和5，则下面的范围可全部预料到：1-3、1-4、1-5、2-3、2-4、2-5以及数值范围内的点值。
在本发明中，除非有其他说明，数值范围“a-b”表示a到b之间、包括端点的任意实数组合的缩略表示，其中a和b都是实数。例如数值范围“0-5”表示本文中已经全部列出了“0-5”之间的全部实数以及数值范围内的点值，“0-5”只是这些数值组合的缩略表示。
在本发明中，除非有其他说明，数值范围“c-d”表示c到d之间、包括端点的任意实数组合的缩略表示。例如数值范围“0-1”表示本文中已经全部列出了“0-1”之间的全部数值范围内的点值，“0-1”只是这些数值组合的缩略表示；数值范围“0-1”包括但不限于0、0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9、或1；数值范围“0-1”还包括但不限于0-0.1、0-0.5、0-0.7、0-0.9、0.2-0.4、0.2-0.6、0.2-0.6、0.2-0.8、0.2-1等之间的任意值。
在本发明中，如果没有特别指出，本说明书所用的术语“一种”指“至少一种”。
在本发明中，如果没有特别的说明，本文所提到的所有实施方式以及优选实施方式可以相互组合形成新的技术方案。
在本发明中，如果没有特别的说明，本文所提到的所有技术特征以及优选特征可以相互组合形成新的技术方案。
在本发明中，如果没有特别的说明，本文所提到的心电向量数据包括但不限于反映心电大小和方向信息的数据，本文所提到的心电向量数据还包括但不限于VCG数据、预处理的VCG数据和截取的VCG数据；截取的VCG数据包括但不限于：存在VCG数据上任意大小的一部分数据。本文所提到的心电向量数据还包括但不限于将心电数据进行数学运算后获得的向量数据，所述数学运算包括但不限于三维转换，比如12导联心电数据或15导联心电数据或18导联心电数据进行三维转换后获得的向量数据。对于本领域人员来说，可以容易地想到将VCG数据转换成心电向量图进行本发明所述方法的处理。
在本发明中，如果没有特别的说明，本文所提到的心电非线性系统动态数据是指心电数据或心电向量数据通过数学运算后获取的非线性系统动态数据。其中，所述的数学运算采用了建模方法，所述建模方法包括但不限于自适应系统系统辨识方法，所述自适应系统系统辨识方法包括但不限于神经网络方法、调节函数法、最小二乘法、极大似然法、回归方程、或预报误差法等；所述心电数据包括但不限于：截取P波、和/或R波、和/或QRS波群、和/或S波、和/或T波、和/或U波、和/或PR段、和/或ST段、和/或ST-T段、和/或PR间期、和/或ST间期、和/或QT间期等数据后的心电数据；所述心电数据还包括但不限于：所有波、段和间期的完整的心电数据；所述心电向量数据包括但不限于：截取P波、和/或R波、和/或QRS波群、和/或S波、和/或T波、和/或U波、和/或PR段、和/或ST段、和/或ST-T段、和/或PR间期、和/或ST间期、和/或QT间期等数据后的心电向量数据；所述心电向量数据还包括但不限于：所有波、段和间期的完整的心电向量数据。本文所提到的心电非线性系统动态数据还包括但不限于：心电非线性系统动态数据(包括P波、和/或R波、和/或QRS波群、和/或S波、和/或T波、和/或U波、和/或PR段、和/或ST段、和/或PR间期、和/或ST间期、和/或QT间期等数据信息)、预处理的心电非线性系统动态数据、截取的心电非线性系统动态数据、心电动力学数据、预处理的心电动力学数据或截取的心电动力学数据；所述截取的心电非线性系统动态数据，包括但不限于：存在于心电非线性系统动态数据上任意大小的一部分的数据；所述截取的心电动力学数据，包括但不限于：存在于心电动力学数据上任意大小的一部分的数据。
在本发明中，如果没有特别的说明，本文所提到的心电非线性系统动态数据，还包括但不限于采用非自适应系统系统辨识方法的数学方法对心电数据或心电向量数据进行分析获得的非线性系统动态数据，非自适应系统系统辨识方法的数学方法的处理对象包括但不限于截取的心电向量数据或是完整的心电向量数据。
在本发明中，如果没有特别的说明，对于本领域人员来说，可以容易地想到将心电非线性系统动态数据转换成心电非线性系统动态图进行本发明所述方法的处理。
在本发明中，如果没有特别的说明，本文所提到的卷积神经网络模型，包括至少一个输入层、至少一个隐含层和至少一个输出层组成；所述隐含层包括卷积层、和/或池化层、和/或全连接层；输入到所述输入层的数据包括但不限于心电数据、心电向量数据和心电非线性系统动态数据中的一种或几种。
在本发明中，如果没有特别的说明，本文所提到的构建深度学习识别模型的深度学习方法包括但不限于卷积神经网络、循环神经网络、生成式对抗网络、堆叠自动编码器、全连接结构、无监督预训练网络、深度信念网络、深度玻尔兹曼机和神经张量网络等；本文所提到的构建深度学习识别模型的深度学习方法，还包括但不限于本领域人员可以轻易联想得到的其它机器学习方法，如贝叶斯方法、随机森林、支持向量机、蒙特卡洛树搜索算法或聚类算法等。进一步地，深度学习还包括将深度学习识别模型与机器学习算法进行组合后形成的技术方案。
在本发明中，如果没有特别的说明，本文所提到的基于深度学习模型的心脏疾病的检测方法还可以用在心脏疾病检测的人工智能设备上，包括但不限于穿戴设备，如手环、手表、指环、手套、腕带、鞋、袜子、其他肢体佩戴产品，眼镜、头盔、头带等以头部为支撑的穿戴设备，智能服装、书包、拐杖、配饰等穿戴设备。
在本发明中，如果没有特别的说明，本文所提到的特定心脏疾病包括但不限于心肌梗塞、冠心病、急性冠脉综合征、心肌缺血、心源性猝死、心肌炎、心律失常、心肌梗死、心绞痛或冠状动脉疾病等心脏疾病。
以下结合具体实施例，对本发明作进一步说明。应理解，以下优选的实施例仅用于说明本发明而非用于限定本发明的范围。
实施例1.样本集构建和样本数据的预处理
1.样本集的建立
首先，对用于深度学习识别模型的样本集数据进行构建，具体构建方法如下：
1.1样本集的构成
纳入n个临床已知心脏健康个体(n>500)以及m个临床已知某种心脏疾病个体(m>1000)作为样本人群；采集与特定心脏疾病相关的样本人群的目标数据，作为样本集数据；其中，样本人群的目标数据包括但不限于心电数据、心电向量数据和心电非线性系统动态数据。
1.2样本标签的设定
采用心脏疾病的金标准指标的指标数据，并参考行业内的专家共识和不同三甲医院的医生的诊断信息，共同来确定样本数据的疾病标签。样本数据的标签确定准则，包括但不限于如下信息：“心脏疾病的金标准指标及阈值判定标准”和“心脏疾病的专家共识”。
1.2.1.心脏疾病的金标准指标及阈值判定标准
特定心脏疾病的金标准指标，是指特定心脏疾病公认的影像学指标和代谢标志物等。在心血管疾病中，采用的金标准指标包括但不限于高敏C反应蛋白等。比如，患者的高敏C反应蛋白≥2mg/L有较大风险罹患心血管疾病。特定心脏疾病的金标准指标还包括但不限于肌红蛋白、肌酸激酶、肌酸激酶同工酶、C反应蛋白、甘三脂、高密度脂蛋白、低密度脂蛋白和乳酸脱氢酶等。如对于心肌缺血的检测，采用血流储备分数FFR作为指标，FFR＜0.75将被检测为心肌缺血；心肌梗死的检测指标肌钙蛋白、肌酸激酶同工酶和影像学指标等；冠心病的检测的冠状动脉造影的指标等。
1.2.2.心脏疾病的专家共识
根据2009年心电数据标准化及解析指南(Wagner GS,Macfarlane P,Wellens H,et al.AHA/ACCF/HRS recommendations for the standardization and interpretationof the electrocardiogram:part VI:acute ischemia/infarction:a scientificstatement from the American Heart Association Electrocardiography andArrhythmias Committee,Council on Clinical Cardiology；the American College ofCardiology Foundation；and the Heart Rhythm Society[J].J Am Coll Cardiol,2009,53:1003)，不同疾病对应不同的指标参数判定信息。如心肌梗死伴完全性左束支传导阻滞，心肌梗死伴完全性左束支传导阻滞的诊断标准：(a)QRS波主波向上导联ST段抬高≥0.1mV；(b)V1-V3导联ST段压低≥0.1mV，使S波显著；上两条为ST段的一致性改变。(c)QRS波主波向下导联ST段抬高≥0.5mV，称为不协调的ST段改变。
2.样本数据的预处理
在获得前述样本集数据之后，开始对样本集数据进行预处理，具体为：对获得的样本数据进行中值滤波和小波变换滤波等预处理，并根据不同的数据要求进行数据加工，获得符合要求的样本数据。例如，对于心肌缺血检测的样本数据，要求采集的样本数据是10s的心电数据，10s的心电数据的时间处理需满足心电数据通用的规范性要求。心电数据的预处理是指常规滤波操作，以使随后的操作充分稳定和可靠，使用何种滤波方法并不影响本发明方法的有效性。
实施例2.特定心脏疾病有关属性的样本数据的获取方法
在实施例1的基础上，本实施例着重描述了特定心脏疾病的样本数据包括心电非线性系统动态数据、心电向量数据和心电数据等数据的获取方法；具体的操作步骤如下：
心电数据的获取：采集带标签的心脏电信号数据x(t)，t＝1,2,…T；将采集的心脏电信号数据进行滤波和基线漂移等预处理，获得预处理后的心电数据。
心电向量数据的获取：采集带标签的心脏电信号数据x(t)，t＝1,2,…T；将采集的心脏电信号数据进行滤波和基线漂移等预处理，然后进行转换获得VCG数据，具体的转换方法为：
X(t)＝0.4x1(t)－0.07x2(t)－0.04x3(t)－0.13x7(t)+0.05x8(t)－0.01x9(t)+0.14x10(t)+0.06x11(t)+0.54x12(t)；
Y(t)＝－0.2x1(t)+0.93x2(t)+0.02x4(t)+0.06x7(t)－0.02x8(t)－0.05x9(t)+0.06x10(t)－0.17x11(t)+0.13x12(t)；
Z(t)＝0.11x1(t)+0.23x2(t)+0.01x5(t)+0.02x6(t)－0.43x7(t)－0.09x8(t)－0.14x9(t)+0.20x10(t)－0.11x11(t)+0.31x12(t)；
其中，x1(t)、x2(t)、x3(t)、x4(t)、x5(t)、x6(t)、x7(t)、x8(t)、x9(t)、x10(t)、x11(t)或x12(t)代表着人体I、II、III、V1、V2、V3、V4、V5、V6、aVR和aVL的标准12导联心电信号中的一种，X(t)、Y(t)、Z(t)分别对应三维心电向量数据，得到本实施例所述的一种心电向量数据。本实施例所述心电向量数据还可采用Kors J.A.等在1990年发表在European HeartJournal杂志的11(12):1083处披露的技术获取的心电向量数据，本实施例所述心电向量数据还可采用其他现有技术方法可获得的心电向量数据。
心电非线性系统动态数据的获取：采集带标签的心脏电信号数据e(t)，t＝1,2,…T；将采集的心脏电信号数据进行滤波和基线漂移等预处理，然后将心脏电信号数据或心电向量数据采用数学运算方法获得心脏电信号数据或心电向量数据的神经网络模型，进行计算得到心电动力学数据，所述心电动力学数据可表述为
其中，S(X(t))、S(Y(t))和S(Z(t))都是高斯径向基函数；
和
是常值神经网络权值向量。因此，得到心电非线性系统动态数据中的一种。实际使用中，发明人发现心电非线性系统动态数据还包括心电数据或心电向量数据通过其它的数学运算后获取的非线性系统动态数据或信息，在此就不再一一地列出具体的数学运算过程。在本实施例中，所述数学运算方法包括但不限于自适应系统辨识方法；所述自适应系统辨识方法采用包括但不限于建模方法，所述建模方法包括但不限于高斯径向基函数神经网络建模的方法。
实施例3.对预处理的心脏疾病样本数据进行深度学习模型的构建和优化
本实施例是在获取实施例1和实施例2获取样本数据的基础上，将相应的深度学习模型进行构建和优化。
一.构建特定心脏疾病的深度学习识别模型
将实施例2中获取的心电非线性系统动态数据(或心电向量数据、或心电数据)作为输入数据，进行深度学习，构建特定心脏疾病的深度学习模型。构建深度学习识别模型的深度学习方法包括但不限于卷积神经网络、循环神经网络、生成式对抗网络、堆叠自动编码器、全连接网络、无监督预训练网络、深度信念网络、深度玻尔兹曼机和神经张量网络等方法中的一种或几种。深度学习识别模型包括：至少一个输入层、至少一个隐含层和至少一个输出层。
卷积神经网络识别模型的具体设置参数为：输入卷积层：输入数据为心电非线性系统动态数据(或心电向量数据)，卷积层至少1个，每一卷积层的卷积核至少2个，卷积核的尺寸包括但不限于：2、或2×2、2×2×2、3×3×3、4×4×4或5×5×5；卷积层的步长是至少为1；池化层的步长是至少为1；池化层采用最大池化法、或均值池化法。全连接层至少有1个。
在一些实施方式中，设置激活函数包括但不限于Relu激活函数；
在一些实施方式中，对Dropout进行设置：在每次训练时都断开一定百分比数值的神经元用于防止数据过拟合，提高泛化能力。
(一)特定心脏疾病的卷积神经网络和循环神经网络识别模型的构建
特定心脏疾病的卷积神经网络和循环神经网络识别模型的构建，主要包括心电非线性系统动态数据(或心电向量数据)的卷积神经网络识别模型的构建和心电非线性系统动态数据(或心电向量数据)的循环神经网络模型的构建两部分；其中，卷积神经网络模型的构建方法包括以下步骤：(a)创建元数据库：将带健康或疾病标签的数据存入元数据库中；(b)搭建以带健康或疾病标签数据为输入的深度卷积神经网络；(c)将元数据库中的数据带入到深度卷积神经网络中进行训练，建立数据的分类模型。
1.心电非线性系统动态数据的卷积神经网络模型和循环神经网络的构建
1.1心电非线性系统动态数据的卷积神经网络模型的构建
心电非线性系统动态数据的深度卷积神经网络识别模型包括：一个输入层、多个隐含层和一个输出层，具体的设置参数如下：
a.输入卷积层：输入数据为心电非线性系统动态数据，卷积层有1个，第一卷积层的卷积核2个，卷积核的尺寸是2，卷积层的步长是1；池化层采用的是最大池化法，卷积层的步长是1。
在一些实施方式中，上述卷积层的结果还可以进行再次卷积：卷积核6个，卷积核的尺寸是5。池化层采用的是最大池化法，卷积层的步长是1。
b.激活层：设置激活函数为Relu。
c.Dropout：在每次训练时都断开一定百分比数值的神经元用于防止数据过拟合，提高泛化能力。
d.全连接层：全连接层有1个。
1.2心电非线性系统动态数据的循环神经网络的构建
在本实施例中，心电非线性系统动态数据采用的循环神经网络包括但不限于LSTM模型、GRU模型、或SRN模型；循环神经网络包括三层：输入层、隐藏层和输出层，输入层接收心电非线性系统动态数据的卷积神经网络输出结果作为输入数据。循环神经网络的输出结果采用softmax函数即可得到预测结果，将softmax函数的预测结果和实际的心电非线性系统动态数据的心脏疾病标签，用交叉熵函数得到损失函数。用优化器不断地减小损失，得到最终的预测模型。
在一些实施方式中，采用循环神经网络是LSTM模型；添加到遗忘门中的偏置是1，激活函数是Tanh函数；其它的参数和通用的LSTM模型的参数相同。
2.心电向量数据的卷积神经网络模型和循环神经网络的构建
2.1心电向量数据的卷积神经网络模型的构建
心电向量数据的深度卷积神经网络识别模型包括：一个输入层、多个隐含层和一个输出层，所述隐含层包括卷积层、和/或池化层、和/或全连接层；所述卷积层的输入数据为心电向量数据，卷积层至少为1个，每一卷积层的卷积核至少为2个，卷积核的尺寸是至少为2、或2×2、或2×2×2，卷积层的步长是至少为1；池化层的步长是至少为1。
心电向量数据的深度卷积神经网络识别模型的具体设置参数如下：
a.输入卷积层：输入数据为心电向量数据，卷积层有3个，第一卷积层的卷积核有3个，卷积核的尺寸是2，卷积层的步长是1。池化层采用的是最大池化法，池化层的步长是2。第二卷积层的卷积核12个，卷积核的尺寸是2。池化层采用的是最大池化法，卷积层的步长是1。第三卷积层的卷积核有3个，卷积核的尺寸是2，卷积层的步长是1。池化层采用的是最大池化法，池化层的步长是2。
b.激活层：设置激活函数为Relu激活函数。
c.Dropout：在每次训练时都断开一定百分比数值的神经元用于防止数据过拟合，提高泛化能力。
d.全连接层：全连接层有1个。
2.2心电向量数据的循环神经网络的构建
心电向量数据采用的循环神经网络包括三层：输入层、隐藏层和输出层，输入层接收心电向量数据的卷积神经网络输出结果作为输入数据，采用的循环神经网络是LSTM模型；添加到遗忘门中的偏置是1，激活函数是Tanh函数；其它的参数和通用的LSTM模型的参数相同。循环神经网络的输出结果采用softmax函数得到预测结果。softmax函数的预测结果和实际的心电向量数据的心脏疾病标签，用交叉熵函数得到损失函数。用优化器不断地减小损失，得到最终的预测模型。
在一些实施方式中，心电向量数据采用的循环神经网络包括但不限于LSTM模型、和/或GRU模型、和/或SRN模型。
3.心电数据(ECG)的卷积神经网络和循环神经网络识别模型的构建
采集带标签的心脏电信号，将心脏电信号数据进行预处理，获得预处理的ECG图，ECG的卷积神经网络识别模型有1个输入层，2个隐藏层和1个输出层。输入图像的大小为28*28，卷积层设置有2个，对输入图像进行卷积，卷积核的大小是3*3；池化层有1个，大小为2*2。激活函数采用ReLu激活函数。
心电数据(ECG)的循环神经网络包括三层：输入层、隐藏层和输出层，输入层接收ECG的卷积神经网络输出结果作为输入值，通过激活函数更新网络隐含层节点状态，由输出层做出预测检测样本的心脏疾病信息；其中隐含层的状态存储了大量样本的心脏疾病的信息，可以挖掘出大量样本的心脏疾病的信息与当前时刻信息之间的关系。采用的循环神经网络是LSTM模型；添加到遗忘门中的偏置是1，激活函数是Tanh函数；其它的参数和通用的LSTM模型的参数相同。循环神经网络的输出结果采用softmax函数即可得到预测结果，将softmax函数的预测结果和实际的ECG数据的心脏疾病标签，用交叉熵函数得到损失函数。用优化器不断地减小损失，得到最终的预测模型。
二、特定心脏疾病的深度学习识别模型的优化
1.训练和优化模型
在构建完成本实施例前述的特定心脏疾病的样本数据的深度学习识别模型基础上，通过大量已知标签的样本数据对模型不断进行训练，并进行大量的权重实验，获得模型参数的优化和最优权重分配。
2.对模型的测试
在训练优化后的深度学习模型中，输入一批已知标签的样本数据测试训练优化后的模型的性能。
实施例4.对特定心脏疾病的深度学习识别模型进行评价
在实施例3的基础上，为了综合评价深度学习模型的性能，本实施例对进行了进一步的细化。本实施例采用准确度、灵敏度和特异度指标来衡量实施例3中训练优化后的模型：输入大量已知标签的样本数据到训练优化后的深度学习模型中，然后从深度学习模型中获取心脏疾病检测的判定结果。根据深度学习模型输出的心脏疾病检测的判定结果，计算得到深度学习识别模型的准确度、灵敏度和特异度的数据信息，从而对特定心脏疾病的深度学习识别模型的应用性能和不足进行综合优化和调整，完成对特定心脏疾病的深度学习识别模型的建立。
深度学习识别模型的检测结果的准确度、灵敏度和特异度的结果计算采用如下公式：
准确度＝(真阳性样本数+真阴性样本数)/(真阳性样本数+假阳性样本数+真阴性样本数+假阴性样本数)；
灵敏度＝真阳性样本数/(真阳性样本数+假阴性样本数)；
特异度＝真阴性样本数/(真阴性样本数+假阳性样本数)；
其中，真阳性样本数表示实际患心脏病并被检测为患心脏病的样本数；假阳性样本数表示实际未患心脏病而被检测为患心脏病的样本数；真阴性样本数表示实际未患心脏病并被检测为未患心脏病的样本数；假阴性样本数表示实际患心脏病而被检测为未患心脏病的样本数；对于心脏病检测模型，三个指标越高，代表该模型对于心脏病能越好，模型效果越优。
通过以上方式，获得可实际使用的特定心脏疾病的深度学习识别模型，具体为特定心脏疾病的心电数据的深度学习识别模型、特定心脏疾病的心电向量数据的深度学习识别模型和特定心脏疾病的心电非线性系统动态数据的深度学习识别模型。实验过程中，发明人选用了1714个样本数据，对构建的卷积神经网络和循环神经网络识别模型进行评价，获得心电非线性系统动态数据的卷积神经网络和循环神经网络识别模型评价的实验数据，具体如表1所示。实验结果表明，心电非线性系统动态数据的卷积神经网络和循环神经网络识别模型的准确度为89.0％，敏感度为91.7％，特异度为81.5％；是几个模型中最优的深度学习识别模型；心电向量数据(或心电数据)的卷积神经网络和循环神经网络识别模型等其它模型的评价的实验数据，在此未列出。
表1.心电非线性系统动态数据的卷积神经网络和循环神经网络识别模型的评价
实施例5.特定心脏疾病的深度学习识别模型输出结果的权重分配
本实施例主要是对特定心脏疾病的深度学习识别模型输出结果的权重分配的流程进行阐述。
将大量已知标签的样本数据输入到实施例4中优化筛选的心电非线性系统动态数据(或心电向量数据、或心电数据)的卷积神经网络和循环神经网络识别模型中，获得对应的心电非线性系统动态数据(或心电向量数据、或心电数据)数据的卷积神经网络和循环神经网络识别模型的输出结果，将这些结果赋以适应特定心脏疾病的权重值，然后进行具有统计学意义的权重分配实验，获得不同输出结果(心电非线性系统动态数据、或心电向量数据、和心电数据)的卷积神经网络和循环神经网络识别模型输出结果的最优权重分配，并进行针对该种特定心脏疾病的不同输出结果的最优权值进行储存，获得特定心脏疾病的带优化权值的综合判定体系，即带权值的心电非线性系统动态数据、心电向量数据和心电数据的卷积神经网络和循环神经网络识别模型输出结果的综合判定体系。
实施例6.通过深度学习识别模型进行心脏疾病的辅助检测
在本实施例中，采集待测人员特定心脏疾病的样本数据，输入到实施例5构建的特定心脏疾病的带优化权值的综合判定体系中，进行不同心脏疾病的准确检测和快速识别。对于本实施例涉及的深度学习识别模型进行心脏疾病的辅助检测的具体方法，按照以下几个步骤进行操作：
(一)采集待测人员的检测数据及预处理
采集待测人员的心电数据，并对采集的待测人员的心电数据进行相应的预处理，预处理的方法根据实施例1和实施例2所述的记载进行操作，使之成为适用于深度学习识别模型的标准数据。
(二)特定心脏疾病有关属性的量化数据的获取
根据实施例2所述的方法，在获取步骤(一)预处理的心电数据后，对获取的预处理的心电数据进行数学运算，得到待测人员的心电向量数据和心电非线性系统动态数据。
(三)特定心脏疾病判定结果的输出
将从步骤(一)和步骤(二)中获取的特定心脏疾病有关的心电非线性系统动态数据(或心电向量数据、或心电数据)输入到实施例5构建的特定心脏疾病的带优化权值的综合判定体系中，输出最终相应心脏疾病的综合判定结果，得到待测人员的心脏健康状况的判定。
实施例7.本发明提供方法与传统方法技术效果的对比
在本实施例中，发明人采用30名不同三甲医院的普通心脏科室医生的诊断和实施例6中所述的检测方法，分别对三组待测人员(#1Trial组、#2Trial组和#3Trial组)罹患心肌缺血的情况进行检测，每组待测人员的人数选用120个；三组待测人员都获取了每个待测人员的心电数据、心电向量数据和心电非线性系统动态数据。
在#1Trial组中，年龄40岁以上的人数有60个，男性为30个(吸烟且饮酒的15个，不吸烟且不饮酒的15个)，女性为30个(吸烟且饮酒的15个，不吸烟且不饮酒的15个)；年龄40岁以下的人数有60个，男性为30个(吸烟且饮酒的15个，不吸烟且不饮酒的15个)，女性为30个(吸烟且饮酒的15个，不吸烟且不饮酒的15个)；同样，#2Trial组和在#3Trial组中的待测人员的选用要求，与#1Trial组的选用要求相同。此外，心电数据的卷积神经网络和循环神经网络识别模型输出结果、心电向量数据的卷积神经网络和循环神经网络识别模型输出结果、心电非线性系统动态数据的卷积神经网络和循环神经网络识别模型输出结果的权重值分别为0.4、0.3和0.3。
如表2和表3所示，在#1Trial组实验中，测试了120个待测人员，通过冠脉造影和血流储备分数这两个技术手段都确定为心肌缺血个体数为90个；不同三甲医院的普通心脏科室的医生们，平均每名医生诊断出心肌缺血个体数为46个，平均每名医生的总计耗时为270min；采用实施例6中所述的方法检测出心肌缺血个体的平均数为81个，总计耗时2.4min。在#2Trial组实验中，又测试了另外一批120个待测人员，通过冠脉造影和血流储备分数这两个技术手段都确定为心肌缺血个体数为80个；30名不同三甲医院的普通心脏科室医生们，平均每名医生诊断出心肌缺血个体数为40个，平均每名医生的总计耗时为240min；采用实施例6中所述的方法检测出心肌缺血个体的平均数为70个，总计耗时2.1min。在#3Trial组实验中，又测试了一批待测人员(120个)，通过冠脉造影和血流储备分数这两个技术手段都确定为心肌缺血个体数为70个；30名不同三甲医院的普通心脏科室医生们，平均每名医生诊断出心肌缺血个体数为34个，平均每名医生的总计耗时为210min；采用实施例6中所述的方法检测出心肌缺血个体的平均数为61个，总计耗时1.9min。以上实验结果表明，本发明所述方法在检测心肌缺血情况时，其在检测准确性和检测耗时以及对动态信息的连续处理等方面的性能有了显著性提高和明显的进步。
表2.本发明提供方法与传统方法的检测效果的对比
由此可见，实施例6所述方法和现有技术相比存在多个方面的优势：检测的准确性和检测效率等有了明显的提高，并可对连续的动态信号进行处理；测定的心脏疾病的动态病理特征信息更加丰富。
实施例8.一种用于心脏疾病检测的穿戴设备
本实施例描述了一种用于心脏疾病检测的穿戴设备，包括穿戴式衣服、心脏信号传感器、与所述心脏信号传感器相连的监测芯片、导电电极和电连接导线，其中，穿戴式衣服为双层结构，导电电极嵌入穿戴式衣服的夹层内，并通过电连接导线与心脏信号传感器相连；导电电极包括十个电极，其中四个为肢体电极，六个为胸部电极；监测芯片用于获取心脏信号传感器实时监测的心冲击信号和心电信号。监测芯片全部或部分地采用了实施例1至实施例6中所述的方法进行心电信号的分析和处理。
在一些改进方案中，本实施例提供的穿戴设备可应用的疾病或症状检测，包括但不限于急性冠脉综合征、心肌缺血、心肌梗塞、心源性猝死、心肌炎、心律失常、心肌梗死、心绞痛、冠心病、冠状动脉疾病和心力衰竭等。
在一些改进方案中，监测芯片可通过WIFI或者蓝牙与心脏信号传感器相连，获取传感器监测的信号，蓝牙可采用HC-05串口蓝牙；
在一些改进方案中，监测芯片包括：信号监测模块(用于获取所述心脏信号传感器实时监测的待测人员的心冲击信号和心电信号)、模型处理模块(根据所述心电信号进行实施例1至实施例6中所述的方法的分析和处理)和心脏疾病识别模块(用于根据模型处理模块的结果预测待测人员的心脏疾病)。
在一些改进方案中，信号监测模块采用AD7061模数转换芯片和AD8232芯片；模型处理模块采用AD7061模数转换芯、MAX4472集成运算放大器、三星KMR7X0001M-B511FLASH存储芯片和三星的S3C2410ARM9嵌入式处理器芯片。
实施例9.一种基于深度学习模型的心肌缺血的检测方法
本实施例是关于基于深度学习模型的心肌缺血的检测方法的描述，其包括以下步骤：
步骤S1.采集了心肌缺血样本人群的心电向量数据，所述心肌缺血样本人群均为通过心电图无法诊断的心肌缺血病人。
步骤S2.构建心肌缺血检测的心电向量数据的卷积神经网络模型，心电向量数据的卷积神经网络模型的设置参数具体如下：(1)输入三维卷积层：输入数据为心电向量数据，卷积层有3个，卷积核的尺寸都是2。第一卷积层的卷积核3个，卷积核的尺寸是2，卷积层的步长是1。池化层采用的是最大池化法，池化层的步长是2；第二卷积层的卷积核5个，卷积核的尺寸是2。池化层采用的是最大池化法，卷积层的步长是1；第三卷积层的卷积核2个，卷积核的尺寸是2,池化层采用的是最大池化法，卷积层的步长是1。(2)激活层：设置激活函数为ReLu。(3)最大三维池化层(可替换为平均池化层)：减少特征维度。(4)防过拟合层：在每次训练时都断开一定百分比数值的神经元用于防止数据过拟合。(5)降维层：将多维输入一维化，使得数据符合全连接层的输入形式。(6)全连接层和Softmax激活层：全连接层有1个，用于最终的分类，将得到的结果映射到输入数据的类型空间中。
对于心电向量数据的卷积神经网络模型的构建方法，其包括以下步骤：(1)创建元数据库：将带健康或疾病标签的三维心电向量数据存入元数据库中。(2)搭建以带健康或疾病标签三维心电向量数据为输入的深度卷积神经网络。(3)将元数据库中的心电向量数据带入到深度卷积神经网络中进行训练，建立三维心电向量数据分类模型：(3.1)从元数据库中提取数据；(3.2)使用深度卷积神经网络建模，调整参数，得到最终模型结构；所述的深度卷积神经网络，采用三维矩阵数据作为输入，最大化地保留三维心电向量数据的三维空间信息：在网络的输入部分使用三维卷积层、三维卷积核对三维矩阵进行空间上的特征提取，接着进行下一步操作。
通过采集实施例7所述的待测人员的心电向量数据进行本实施例的实验，发现本实施例所述心电向量数据的卷积神经网络模型的心肌缺血检测准确率和30名不同三甲医院的普通心脏科室医生的平均诊断准确率相比，提高了至少10％。
在以上的实验基础上，发明人进行了进一步的论证实验，通过采集实施例7所述的待测人员的心电非线性系统动态数据，输入到实施例3所述心电非线性系统动态数据的卷积神经网络模型，发现心电非线性系统动态数据的卷积神经网络模型的心肌缺血检测准确率和30名不同三甲医院的普通心脏科室医生的平均诊断准确率相比，提高了至少12％；最后，将本实施例所述心电向量数据的卷积神经网络模型的输出结果和心电非线性系统动态数据卷积神经网络模型的输出结果的权重值分配为0.5和0.5，心肌缺血检测的准确率和30名不同三甲医院的普通心脏科室医生的平均诊断准确率相比，提高了至少33％。
实施例10.基于深度学习模型的心肌梗死伴完全性左束支传导阻滞的检测方法
本实施例主要是关于基于深度学习模型的心肌梗死伴完全性左束支传导阻滞的检测方法，其包括以下步骤：
步骤S1.获取心肌梗死伴完全性左束支传导阻滞病理特征数据，所述心肌梗死伴完全性左束支传导阻滞病理特征数据为心电非线性系统动态数据；
步骤S2.对步骤S1获取的心肌梗死伴完全性左束支传导阻滞多病理特征数据进行深度学习，构建心肌梗死伴完全性左束支传导阻滞的循环神经网络模型，具体参数与实施例3的参数相同。
在一些实施方式中，所述心肌梗死伴完全性左束支传导阻滞的循环神经网络模型还可更换为生成式对抗网络、堆叠自动编码器、全连接结构、无监督预训练网络、深度信念网络、深度玻尔兹曼机和神经张量网络；其中，可通过神经张量网络层(NTN)将不同向量通过张量进行直接交互计算，实现特征表示与相似度匹配；在这里略去了发明人具体的实验数据。
实施例11.基于生成式对抗网络的心肌梗死伴完全性左束支传导阻滞的检测方法
本实施例主要是关于基于生成式对抗网络的心肌梗死伴完全性左束支传导阻滞的检测方法，其包括以下步骤：
步骤1.获取心肌梗死伴完全性左束支传导阻滞病理特征数据，所述心肌梗死伴完全性左束支传导阻滞病理特征数据为心电非线性系统动态数据；
步骤2.采用k-means算法将心电非线性系统动态数据聚类成多个集群，每个集群中包含100条心电非线性系统动态数据，针对每个集群中的所有条心电非线性系统动态数据，计算并判断任意两条心电非线性系统动态数据之间的欧式距离，若该欧式距离小于1.0，表示该两条心电非线性系统动态数据重复，则删除该两条心电非线性系统动态数据中的其中一条，以实现对心电非线性系统动态数据的去重，去重处理可以在一定程度上缩小训练样本规模。然后，对去重处理后的心电非线性系统动态数据进行分位数归一化处理后，再将所有心电非线性系统动态数据归一化至[0,1]区间。最后，按照心电非线性系统动态数据的重要度，删除每条信息心电非线性系统动态数据和目标心电非线性系统动态数据中重要度排在靠后的心电非线性系统动态数据。
步骤3.构建心电非线性系统动态数据生成模型G，具体如下：
心电非线性系统动态数据卷积神经网络包括输入层、隐藏层和输出层，用于生成虚拟目标心电非线性系统动态数据，过程如下：首先，将预处理后的心电非线性系统动态数据转化为的目标维度的数据矩阵；然后，定义卷积操作，即通过卷积核在原输入矩阵上的滑动与计算得到输出矩阵，可得到维度更小的输出矩阵，实现数据的特征提取；其中，卷积核为一个维度较小的n*n矩阵(一般取3*3)，也称为权重矩阵，其矩阵元素的值可进行预设，滑动的步长可设置(一般为1)，输出矩阵中每一个元素值即为卷积核与其当前覆盖的原输入矩阵的乘积；接下来，定义反卷积操作，其形式与卷积操作相似，即通过由卷积核得到的转置矩阵与输入矩阵相乘，转化得到输出矩阵，一般情况下可得到维度更大的矩阵，实现数据的扩充；最后，将目标维度心电非线性系统动态数据矩阵进行3层不同结构的卷积处理，包括不同步长的卷积与反卷积，得到n*m维的数据，并对其进行sigmoid处理，输出n*m维的输出矩阵，该n*m维的输出矩阵构成虚拟目标心电非线性系统动态数据集。
步骤4.构建心电非线性系统动态数据判别模型D，具体如下：
心电非线性系统动态数据判别模型，用于对输入的虚拟目标心电非线性系统动态数据和目标心电非线性系统动态数据真实性进行判断。
将虚拟目标心电非线性系统动态数据和目标心电非线性系统动态数据作为心电非线性系统动态数据判别模型的输入，定义最大池化层和卷积层，利用卷积层实现输入数据的扩维特征提取，卷积层的卷积核为5*5的矩阵，步长为1或2，最大池化层实现对输入数据的降维特征提取，即通过窗口对具有较大维度的输入矩阵进行数值提取与降维，得到维度较小的输出矩阵，其中，窗口取3*3，数值提取即在该窗口在原数据矩阵上对应的每一个区域内选取最大的数值，作为输出矩阵的元素。
对维度为n*m的目标心电非线性系统动态数据和虚拟目标心电非线性系统动态数据进行不同结构的卷积与池化操作，并通过全连接处理计算得到概率值，其中，该概率值的范围为[0,1]，即当数据被判别为目标心电非线性系统动态数据时，概率为1，被判别为虚拟目标心电非线性系统动态数据时，概率为0。
对抗训练由所述心电非线性系统动态数据生成模型和所述心电非线性系统动态数据判别模型构成的生成对抗网络。通过交替训练的训练策略实现生成式对抗网络的对抗与优化。在训练的过程中，心电非线性系统动态数据判别模型D的训练目的是尽量最大化自身的判别准确率，即当概率为1时，说明该数据被判别为来自目标心电非线性系统动态数据，标注1，概率为0时，该数据被判别为来自于虚拟目标心电非线性系统动态数据，即由心电非线性系统动态数据生成模型G生成，标注为0。心电非线性系统动态数据生成模型G的训练目标是是最小化心电非线性系统动态数据判别模型D的判别准确率。
实施例12.基于堆叠自动编码器的心肌梗死伴完全性左束支传导阻滞的检测方法
本实施例提供的基于堆叠自动编码器的心肌梗死伴完全性左束支传导阻滞的检测方法，至少包括步骤：
S1、将训练样本的无标签的心电向量数据和同样训练样本的实际标签的心电向量数据作为共同输入，经过多层编码解码后得到同样的输出，然后将输出中的带实际标签的心电向量数据作为目标检测结果；
S2、降噪堆叠自动编码器网络包括多层，第一层作为输入端和输出端，经过简单的编码解码而没有降噪功能，中间若干层通过多次编码解码，找到不同维度间的联系，从样本中学习从无标签的心电向量数据中恢复实际标签的心电向量数据具有的功能，得到无标签的心电向量数据的实际标签；具体实施时，S2还包括步骤：
A1、生成第一层自动编码器，将输入信息经过编码和解码后得到与原始输入一样的输出信息，将无标签的心电向量数据和同样训练样本的实际标签的心电向量数据作为共同输入F1，经过编码O1＝s1(W1F1+b1)成为中间层O1，然后解码重构成F1’＝s1(W2O1+b2)，模型的参数应该尽可能使重构数据逼近原始向量，即
用平方差表示表示重构数据与原始向量间的差异Loss，再加入L1限制，即稀疏要求，约束每一层中的大部分节点为0，少数不为0。因此上式演变成
纯净、无噪声的原始数据下，W2≈W1T；
A2、将第一层编码器的输出当成第二层降噪自动编码器的输入，同样最小化第二层降噪自动编码器的重构误差，使得第二层经过编码、解码后所重构的输出与第二层输入一样；
A3、生成中间若干层降噪自动编码器；
A4、堆叠各层降噪自动编码器，输入依次经过第一层编码、第二层编码…第n层编码，再依次经过第n层解码…第二层解码、第一层编码，输出与输入一样的信息；
A5、使用时，用训练样本的无标签的心电向量数据和同样训练样本的实际标签的心电向量数据作为共同输入，将同样训练样本的实际标签的心电向量数据作为噪声干扰下的丢失信息或者遮挡住的信息，经过多层的降噪自动编码器，从训练样本的无标签的心电向量数据恢复丢失的信息，在最后一层得到训练样本的无标签的心电向量数据和同样训练样本的实际标签的心电向量数据，但只取同样训练样本的实际标签的心电向量数据作为输出；
S3、降噪堆叠自动编码器网络逐层抽取特征并恢复丢失信息。通过逐层抽取特征并恢复丢失信息，可以提高所述采用降噪堆叠自动编码器网络的检测精度。本发明通过以上实施例的设计，可以做到降噪堆叠自动编码器网络包括多层，逐层抽取特征并恢复丢失信息，可以提高检测精度。
实施例13.基于深度信念网络的心肌梗死伴完全性左束支传导阻滞的检测方法
本发明实施例提供了一种基于深度信念网络的心肌梗死伴完全性左束支传导阻滞的检测方法，该方法包括：
S101，获取待检测心电非线性系统动态数据。
S102，根据待检测心电非线性系统动态数据的类别，获取与其对应的验证心电非线性系统动态数据集。
每一个待检测心电非线性系统动态数据都有一个与其相对应的验证心电非线性系统动态数据集，在获得待检测心电非线性系统动态数据后，可以根据该待检测心电非线性系统动态数据的类别，从相同类别的样本库中获取用于验证该待检测心电非线性系统动态数据的验证心电非线性系统动态数据集。其中，该验证心电非线性系统动态数据集包含多个可信的验证心电非线性系统动态数据，这些可信的验证心电非线性系统动态数据的内容包括疾病标签和心电非线性系统动态数据的描述信息，并且是预先存储在服务器端内的。
S103，根据内容验证一致性识别算法，计算待检测心电非线性系统动态数据与验证心电非线性系统动态数据之间的相似度值。
示例的，当服务器端获取的待检测心电非线性系统动态数据为x(t)，x∈R3，t＝1,2,…T，同时需获得与其对应的验证心电非线性系统动态数据，采用如下公式计算待检测心电非线性系统动态数据与验证心电非线性系统动态数据之间的相似度值：
S＝θ1*Stime+θ2*Ssource+(1-θ1-θ2)*Sdesc。
其中，S为待检测心电非线性系统动态数据与验证心电非线性系统动态数据之间的相似度值，Stime为待检测心电非线性系统动态数据与验证心电非线性系统动态数据之间时间的相似度值，Ssource为待检测心电非线性系统动态数据与验证心电非线性系统动态数据之间来源的相似度值，Sdesc为待检测心电非线性系统动态数据与验证心电非线性系统动态数据之间描述信息的相似度值，θ1、θ2为根据待检测心电非线性系统动态数据的类别设定的权重。
S104，比较相似度值与预设的阈值的大小，将相似度值大于阈值的待检测心电非线性系统动态数据确定为初步可信心电非线性系统动态数据。
S105，提取初步可信心电非线性系统动态数据的多维度可信特征，并构建多维度可信特征向量。
S106，将多维度可信特征向量输入深度信念网络DBN判别模型中，输出表示初步可信心电非线性系统动态数据的可信性的判别结果。
可以理解的是，DBN判别模型是通过训练多层受限玻尔兹曼机RBM学习得到的神经网络结构，该模型采用模拟人脑多层结构的方式，对输入数据从底层到高层渐进地进行特征提取，最终形成适合模式分类的较理想特征，从而提升分类的准确率。进行数据分类时，将多维度可信特征向量输入深度信念网络DBN判别模型中后，该DBN判别模型能够快速准确的输出表示初步可信心电非线性系统动态数据的可信性的判别结果。
虽然本公开已提供数个实施例，但应理解所公开系统和方法可在不偏离本公开的精神或范围的情况下以许多其它特定形式体现。这些实例将视为的示例性而非限制性的，并且并不旨在限于本文中给出的细节。例如，各种方法或参数范围可组合或整合于另一系统中，各种方法或参数范围可组合或整合于另一方法中，各种方法或参数范围可组合或整合于本领域或其它领域的产品中，或者某些特征可省略或不实施，都属于本领域技术人员可以基于本发明所可轻易拓展或实施的技术手段。
而且，在各种实施例中描述且示出为分立或单独的技术、系统、子系统和方法可在不偏离本公开的范围的情况下与其它系统、模块、技术或方法组合或整合。示出或讨论为彼此直接耦合或通信的其它项可通过某一接口、设备或中间组件以电力方式、以机械方式或以其它方式间接耦合或通信。改变、替换和变更的其它实例可由所属领域的技术人员确定并且可在不偏离本文中所公开精神和范围的情况下做出。
Claims (10)
1.一种基于深度学习模型的心脏疾病检测方法，其特征在于，包括以下步骤：
步骤1、获取样本数据集，所述样本数据集包括心电非线性系统动态数据；
步骤2、构建特定心脏疾病的深度学习模型；
步骤3、将步骤1获取的样本数据集输入到步骤2所述特定心脏疾病的深度学习模型进行训练，获得特定心脏疾病的深度学习识别模型。
2.根据权利要求1所述心脏疾病检测方法，其特征在于，步骤1所述样本数据集还包括心电向量数据；优选地，步骤1所述样本数据集还包括心电数据。
3.根据权利要求1所述心脏疾病检测方法，其特征在于，步骤2中所述特定心脏疾病的深度学习识别模型包括卷积神经网络、循环神经网络、生成式对抗网络、堆叠自动编码器、全连接网络、无监督预训练网络、深度信念网络、深度玻尔兹曼机和神经张量网络中的至少一种。
4.根据权利要求1所述心脏疾病检测方法，其特征在于，还包括步骤4：采集待测人员的心电数据、和/或心电向量数据、和/或心电非线性系统动态数据，将待测人员的心电数据、和/或心电向量数据、和/或心电非线性系统动态数据输入到步骤3中所述特定心脏疾病的深度学习识别模型，得到待测人员的心脏疾病检测结果：待测人员的心电数据的特定心脏疾病的深度学习识别模型输出结果、和/或心电向量数据的特定心脏疾病的深度学习识别模型输出结果、和/或心电非线性系统动态数据的特定心脏疾病的深度学习识别模型输出结果。
5.根据权利要求4所述心脏疾病检测方法，其特征在于，步骤4所述待测人员的心脏疾病检测结果还包括：选取待测人员的心电数据的特定心脏疾病的深度学习识别模型输出结果、心电向量数据的特定心脏疾病的深度学习识别模型输出结果、和心电非线性系统动态数据的特定心脏疾病的深度学习识别模型输出结果中的至少两种用于所述特定心脏疾病检测时，需赋以适应特定心脏疾病的权重值。
6.一种基于深度学习模型的心脏疾病检测方法，其特征在于，包括以下步骤：
步骤1. 获取待测人员的心电数据、心电向量数据和心电非线性系统动态数据中的至少一种；
步骤2. 将步骤1得到的待测人员的心电数据、和/或心电向量数据、和/或心电非线性系统动态数据输入到特定心脏疾病的深度学习模型中；
步骤3. 输出待测人员的特定心脏疾病检测结果；
优选地，所述特定心脏疾病的深度学习模型包括卷积神经网络、循环神经网络、生成式对抗网络、堆叠自动编码器、全连接网络、无监督预训练网络、深度信念网络、深度玻尔兹曼机和神经张量网络中的至少一种。
7.一种基于深度学习模型的心脏疾病检测方法，其特征在于，包括以下步骤：
步骤S1. 获取特定心脏疾病的样本数据，所述特定心脏疾病的样本数据包括心电数据、心电向量数据和心电非线性系统动态数据中的至少一种；
步骤S2. 对步骤S1获取的特定心脏疾病的样本数据进行深度学习，构建特定心脏疾病的深度学习识别模型；
优选地，所述特定心脏疾病的深度学习识别模型选自卷积神经网络、循环神经网络、生成式对抗网络、堆叠自动编码器、全连接网络、无监督预训练网络、深度信念网络、深度玻尔兹曼机和神经张量网络中的至少一种。
8.一种基于深度学习模型的心脏疾病检测系统，其特征在于，包括：
数据获取模块，所述数据获取模块用于获取待测人员的心电非线性系统动态数据、心电向量数据和心电数据中的至少一种；
数据处理模块，所述数据处理模块输入的数据为所述数据获取模块所获取的数据，所述数据处理模块的处理工具为特定心脏疾病的深度学习识别模型，所述特定心脏疾病的深度学习识别模型是通过权利要求1-7任一权项所述心脏疾病检测方法构建；
疾病识别模块，所述疾病识别模块根据所述数据处理模块的处理结果来决定输出特定心脏疾病的病情信息。
9.一种心脏疾病的检测产品，其特征在于，所述检测产品使用了权利要求1-7任一权项所述心脏疾病检测方法。
10.一种根据权利要求9所述检测产品在心脏疾病检测上的应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811448559.5A CN111261277A (zh) | 2018-11-30 | 2018-11-30 | 一种基于深度学习模型的心脏疾病的检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811448559.5A CN111261277A (zh) | 2018-11-30 | 2018-11-30 | 一种基于深度学习模型的心脏疾病的检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111261277A true CN111261277A (zh) | 2020-06-09 |
Family
ID=70951844
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811448559.5A Pending CN111261277A (zh) | 2018-11-30 | 2018-11-30 | 一种基于深度学习模型的心脏疾病的检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111261277A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112233750A (zh) * | 2020-10-20 | 2021-01-15 | 吾征智能技术(北京)有限公司 | 一种基于咯血性状及疾病的信息匹配系统 |
| CN112331349A (zh) * | 2020-11-03 | 2021-02-05 | 四川大学华西医院 | 一种脑卒中复发监测模型及监测方法 |
| CN113012823A (zh) * | 2021-03-30 | 2021-06-22 | 海口讯婕城医疗科技有限公司 | 一种用于心电图机的云平台系统 |
| CN113035347A (zh) * | 2021-03-15 | 2021-06-25 | 武汉中旗生物医疗电子有限公司 | 一种心电数据病症识别方法、设备及存储介质 |
| CN113171104A (zh) * | 2021-04-25 | 2021-07-27 | 安徽十锎信息科技有限公司 | 基于深度学习的充血性心力衰竭自动诊断方法 |
| CN114081462A (zh) * | 2021-11-19 | 2022-02-25 | 齐齐哈尔大学 | 一种基于多维度生理信息的心脏健康监护系统 |
| WO2022262109A1 (zh) * | 2021-06-18 | 2022-12-22 | 浙江大学 | 基于图卷积神经网络和迭代阈值收缩算法的心脏跨膜电位重建方法 |
| CN116098595A (zh) * | 2023-01-16 | 2023-05-12 | 广东海纳医疗科技有限公司 | 一种心源性及脑源性猝死监测预防系统和方法 |
| CN117173057A (zh) * | 2023-11-03 | 2023-12-05 | 北京唯迈医疗设备有限公司 | 一种冠脉造影图像的降噪方法、系统、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170112401A1 (en) * | 2015-10-27 | 2017-04-27 | CardioLogs Technologies | Automatic method to delineate or categorize an electrocardiogram |
| CN107103182A (zh) * | 2017-03-28 | 2017-08-29 | 南京医科大学 | 一种基于深度学习算法的心脏性疾病风险预警系统及方法 |
| CN107260161A (zh) * | 2017-07-18 | 2017-10-20 | 上海图灵医疗科技有限公司 | 一种心电动力学数据量化分析方法 |
| CN108652615A (zh) * | 2018-03-24 | 2018-10-16 | 度特斯(大连)实业有限公司 | 一种心电数据病理特征量化分析方法及装置 |
-
2018
- 2018-11-30 CN CN201811448559.5A patent/CN111261277A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170112401A1 (en) * | 2015-10-27 | 2017-04-27 | CardioLogs Technologies | Automatic method to delineate or categorize an electrocardiogram |
| CN107103182A (zh) * | 2017-03-28 | 2017-08-29 | 南京医科大学 | 一种基于深度学习算法的心脏性疾病风险预警系统及方法 |
| CN107260161A (zh) * | 2017-07-18 | 2017-10-20 | 上海图灵医疗科技有限公司 | 一种心电动力学数据量化分析方法 |
| CN108652615A (zh) * | 2018-03-24 | 2018-10-16 | 度特斯(大连)实业有限公司 | 一种心电数据病理特征量化分析方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 郭伯凯等: "马拉松爱好者运动习惯、家族病史与心电信号特征的关系研究"" * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112233750B (zh) * | 2020-10-20 | 2024-02-02 | 吾征智能技术(北京)有限公司 | 一种基于咯血性状及疾病的信息匹配系统 |
| CN112233750A (zh) * | 2020-10-20 | 2021-01-15 | 吾征智能技术(北京)有限公司 | 一种基于咯血性状及疾病的信息匹配系统 |
| CN112331349B (zh) * | 2020-11-03 | 2023-04-07 | 四川大学华西医院 | 一种脑卒中复发监测系统 |
| CN112331349A (zh) * | 2020-11-03 | 2021-02-05 | 四川大学华西医院 | 一种脑卒中复发监测模型及监测方法 |
| CN113035347A (zh) * | 2021-03-15 | 2021-06-25 | 武汉中旗生物医疗电子有限公司 | 一种心电数据病症识别方法、设备及存储介质 |
| CN113012823A (zh) * | 2021-03-30 | 2021-06-22 | 海口讯婕城医疗科技有限公司 | 一种用于心电图机的云平台系统 |
| CN113171104A (zh) * | 2021-04-25 | 2021-07-27 | 安徽十锎信息科技有限公司 | 基于深度学习的充血性心力衰竭自动诊断方法 |
| WO2022262109A1 (zh) * | 2021-06-18 | 2022-12-22 | 浙江大学 | 基于图卷积神经网络和迭代阈值收缩算法的心脏跨膜电位重建方法 |
| CN114081462A (zh) * | 2021-11-19 | 2022-02-25 | 齐齐哈尔大学 | 一种基于多维度生理信息的心脏健康监护系统 |
| CN116098595A (zh) * | 2023-01-16 | 2023-05-12 | 广东海纳医疗科技有限公司 | 一种心源性及脑源性猝死监测预防系统和方法 |
| CN116098595B (zh) * | 2023-01-16 | 2023-09-05 | 广东海纳医疗科技有限公司 | 一种心源性及脑源性猝死监测预防系统和方法 |
| CN117173057A (zh) * | 2023-11-03 | 2023-12-05 | 北京唯迈医疗设备有限公司 | 一种冠脉造影图像的降噪方法、系统、设备及存储介质 |
| CN117173057B (zh) * | 2023-11-03 | 2024-02-06 | 北京唯迈医疗设备有限公司 | 一种冠脉造影图像的降噪方法、系统、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111261277A (zh) | 一种基于深度学习模型的心脏疾病的检测方法 | |
| CN111261289A (zh) | 一种基于人工智能模型的心脏疾病的检测方法 | |
| Berkaya et al. | A survey on ECG analysis | |
| JP7091451B2 (ja) | 人工知能自己学習に基づく心電図自動解析方法、その解析方法の実行に用いられる装置、コンピュータプログラム製品及びコンピュータ読み取り可能な記憶媒体 | |
| Hammad et al. | Deep learning models for arrhythmia detection in IoT healthcare applications | |
| CN110090012A (zh) | 一种基于机器学习的人体疾病检测方法及检测产品 | |
| Xia et al. | A novel wearable electrocardiogram classification system using convolutional neural networks and active learning | |
| WO2019100565A1 (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
| CN103038772B (zh) | 预测患者的存活性的系统和装置 | |
| CN111261278A (zh) | 一种基于三维图像的深度学习模型的心脏疾病检测方法 | |
| CN108090509B (zh) | 一种数据长度自适应的心电图分类方法 | |
| CN106805965A (zh) | 一种心电信号分类方法及装置 | |
| Islam et al. | New hybrid deep learning approach using BiGRU-BiLSTM and multilayered dilated CNN to detect arrhythmia | |
| CN109907753B (zh) | 一种多维度ecg信号智能诊断系统 | |
| Zhang et al. | Detection of atrial fibrillation from variable-duration ECG signal based on time-adaptive densely network and feature enhancement strategy | |
| Al-Huseiny et al. | Diagnosis of arrhythmia based on ECG analysis using CNN | |
| Panindre et al. | Comparison of performance of artificial intelligence algorithms for real-time atrial fibrillation detection using instantaneous heart rate | |
| Wang et al. | Multiscale residual network based on channel spatial attention mechanism for multilabel ECG classification | |
| CN111329467A (zh) | 一种基于人工智能的心脏疾病辅助检测方法 | |
| Bukhari et al. | A Smart Heart Disease Diagnostic System Using Deep Vanilla LSTM. | |
| Vijayalakshmi et al. | Predictive Modeling of Cardiovascular Disease Using ML Algorithms | |
| Hong et al. | Gated temporal convolutional neural network and expert features for diagnosing and explaining physiological time series: a case study on heart rates | |
| Panindre et al. | Instantaneous heart rate-based automated monitoring of hypertension using machine learning | |
| Kovalchuk et al. | A novel feature vector for ECG classification using deep learning | |
| Chudacek et al. | Comparison of seven approaches for holter ECG clustering and classification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210107 Address after: 050011 Room 102, 104, construction investment company, 72 Industrial Street, circular chemical industry park, Shijiazhuang City, Hebei Province Applicant after: Hebei medai Health Technology Co.,Ltd. Address before: Room 1129, C Building, 555 Dongchuan Road, Minhang District, Shanghai, 200241 Applicant before: SHANGHAI TURING MEDICAL TECHNOLOGY Co.,Ltd. |
|
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200609 |