CN111329467A - 一种基于人工智能的心脏疾病辅助检测方法 - Google Patents
一种基于人工智能的心脏疾病辅助检测方法 Download PDFInfo
- Publication number
- CN111329467A CN111329467A CN201811552790.9A CN201811552790A CN111329467A CN 111329467 A CN111329467 A CN 111329467A CN 201811552790 A CN201811552790 A CN 201811552790A CN 111329467 A CN111329467 A CN 111329467A
- Authority
- CN
- China
- Prior art keywords
- heart disease
- neural network
- convolutional neural
- data
- vector
- 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
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/339—Displays specially adapted therefor
- A61B5/341—Vectorcardiography [VCG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (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人工智能的心脏疾病辅助检测方法,其通过对心电动力学图等三维图像的卷积神经网络识别模型的训练,然后采用迁移学习和蒙特卡洛树搜索算法等方法对卷积神经网络识别模型参数进行调整,并融合特定心脏疾病的熵的检测信息,获得心脏疾病检测的综合判定结果,从而解决心脏电活动连续的动态信号图像的模型处理方法及不同输出结果融合判定的技术难题。本发明所述基于人工智能的心脏疾病辅助检测方法,完成了对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。
Description
技术领域
本发明涉及心脏疾病的检测领域,特别是涉及基于人工智能的心脏疾病辅助检测方法。
背景技术
心脏疾病是一类比较常见的有关心脏、血管和调节血液循环的神经体液组织的疾病,能显著地影响患者的生活质量。随着国内经济的不断发展,社会居民饮食习惯发生变化,脑力工作者的人数不断增多,国内心血管疾病的发病率在持续上升;因此,对于心脏疾病患者进行准确的医学筛查和检测变得至关重要。然而,现有心脏疾病监测和检测手段繁琐复杂,且对于微弱症状的早期心脏疾病不能及时有效地进行识别,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识别方法,既能充分有效地利用现有的病理数据,又能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。
鉴于当前市场的需求,申请人前期开发了一种心电动力学数据量化分析方法(CN201710587538.0),其包括以下操作步骤:(1)采集得到心电数据;(2)根据采集到的心电数据获取对应的心电动力学数据;(3)提取所述心电动力学数据的空间离散量化特征,以及提取所述心电动力学数据的时间离散量化特征;(4)根据所述空间离散量化特征和所述时间离散量化特征形成所述心电动力学数据的量化信息,并根据该量化信息对所述心电动力学数据进行量化分析。尽管在心电动力学数据的研究上已经取得一些进步,但是申请人挖掘了国内医院的心电数据时,发现国内市场仍急缺检测效率和准确率都比较高的心脏疾病检测产品。
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
为解决上述问题,本发明提供一种基于人工智能的心脏疾病辅助检测方法,通过对心电动力学图等的卷积神经网络识别模型的训练,然后采用迁移学习等方法对卷积神经网络识别模型参数进行调整,融合特定心脏疾病的熵的检测信息,最终获得心脏疾病检测的综合判定结果,从而解决心脏电活动连续的动态信号图像的模型处理方法及不同输出结果融合判定的技术难题。
为了实现前述目的,本发明一方面提供了一种基于人工智能的心脏疾病辅助检测方法,包括以下步骤:
步骤1. 获取样本数据,所述样本数据包括特定心脏疾病的病理特征数据,所述特定心脏疾病的病理特征数据包括心电动力学图;
步骤2. 对步骤1获取的样本数据进行机器学习,获得特定心脏疾病的卷积神经网络模型,所述特定心脏疾病的卷积神经网络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组成;
步骤3. 对步骤2所述特定心脏疾病的卷积神经网络模型进行迁移学习训练,获得特定心脏疾病的卷积神经网络识别模型。
可选地,在如前所述的基于人工智能的心脏疾病辅助检测方法中,步骤1还包括对所述心电动力学图进行预处理的步骤,预处理后的心电动力学图的长度、宽度和高度都为18~46像素之间的同一像素值。
可选地,在如前所述的基于人工智能的心脏疾病辅助检测方法中,所述特定心脏疾病的卷积神经网络识别模型还包含了蒙特卡洛树搜索算法。
可选地,在如前所述的基于人工智能的心脏疾病辅助检测方法中,步骤1中所述特定心脏疾病的病理特征数据还包括心电向量图、心电向量图的二维平面投影图和心电动力学图的二维平面投影图中的一种或几种。
可选地,在如前所述的基于人工智能的心脏疾病辅助检测方法中,步骤4还包括对所述心电向量图进行预处理的步骤,预处理后的心电向量图的长度、宽度和高度都为18~46像素之间的同一像素值。
可选地,在如前所述的基于人工智能的心脏疾病辅助检测方法中,对所述心电向量图的二维平面投影图或心电动力学图的二维平面投影图需进行预处理,预处理后的心电向量图的二维平面投影图(或心电动力学图的二维平面投影图)的长度和宽度都为18~46像素之间的同一像素值。
本发明另一方面提供了一种基于人工智能的心脏疾病辅助检测方法,包括以下步骤:
S1. 采集待测人员的特定心脏疾病的病理特征数据,所述待测人员的特定心脏疾病的病理特征数据包括待测人员的心电向量图、心电动力学图、心电向量图的二维平面投影图和心电动力学图的二维平面投影图中的一种或几种;
S2. 将步骤S1采集的图像数据输入到权利要求1至6任一权项所述特定心脏疾病的卷积神经网络识别模型,得到待测人员的心脏疾病的检测结果。
可选地,在如前所述的基于人工智能的心脏疾病辅助检测方法中,步骤S2所述待测人员的心脏疾病的检测结果还包含特定心脏疾病的熵的检测信息。
本发明再一方面提供了一种心脏疾病的检测产品,所述检测产品使用了上述心脏疾病辅助检测方法。
本发明再一方面提供了一种前述检测产品在心脏疾病检测上的应用。
本发明所述基于人工智能的心脏疾病辅助检测方法,具有以下的技术效果:
1)采用机器学习的技术,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;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。
具体实施方式
针对现有的心脏疾病辅助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,发明人提取了心电向量图和心电动力学图等病理特征数据,构建心脏疾病的卷积神经网络模型,并采用迁移学习等方法对卷积神经网络模型的参数进行调整,然后优化不同卷积神经网络模型输出结果的权重分配,获得针对特定心脏疾病的卷积神经网络识别模型,其可分析连续的心脏疾病的动态信号,并可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图,包括但不限于:心电向量图、预处理的心电向量图和截取的心电向量图。预处理的心电向量图,包括但不限于:压缩的心电向量图、改变对比度的心电向量图、对心电向量图的图像进行数据增强得到的图像、缩小的心电向量图、或放大的心电向量图等。截取的心电向量图,包括但不限于:存在心电向量图上任意大小和/或任意形状的一部分。
在本发明中,如果没有特别的说明,本文所提到的心电动力学图还包括但不限于:心电动力学图、预处理的心电动力学图、截取的心电动力学图、完整的心电动力学图、预处理的心电动力学图和截取的心电动力学图。预处理的心电动力学图,包括但不限于:压缩的心电动力学图、对心电动力学图的图像进行数据增强得到的图像、改变对比度的心电动力学图、缩小的心电动力学图、或放大的心电动力学图等。截取的心电动力学图,包括但不限于:存在于心电动力学图上任意大小和/或任意形状的一部分。
在本发明中,如果没有特别的说明,本文所提到的心电向量图的二维平面投影,包括但不限于:对心电向量图进行任意角度的平面投影。
在本发明中,如果没有特别的说明,本文所提到的心电动力学图的二维平面投影,包括但不限于:对心电动力学图进行任意角度的平面投影。
在本发明中,如果没有特别的说明,本文所提到的构建卷积神经网络识别模型的机器学习方法,采用了包括但不限于卷积神经网络,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,申请人在与医院展开合作研究时,发明人发现采用合适的熵的技术手段进行心脏疾病病情的考量具有重要的研究价值;在本发明中,发明人开展了熵对心脏疾病识别作用的多种探索,获得一些有对心脏疾病检测有重要价值的技术参数。
在本发明中,如果没有特别的说明,本文所提到的基于人工智能的心脏疾病辅助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、眼镜、头盔、头带、智能服装、书包、拐杖或配饰等穿戴设备。
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,对用于卷积神经网络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图像数据,作为样本集数据;其中,样本人群的图像数据包括但不限于心电向量图和心电动力学图。
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:
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,如冠心病的检测的冠状动脉造影的指标等。在心血管疾病中,采用的金标准指标包括但不限于高敏C反应蛋白和心肌酶等。比如对于高敏C反应蛋白,≥2mg/L高敏C反应蛋白有较大风险罹患心血管疾病。急性心肌梗死时因心肌细胞坏死而释放出心肌内多种酶:包括天门冬氨酸氨基转移酶(AST)、乳酸脱氢酶(LD或LDH)、肌酸激酶(CK)及同工酶、a-羟丁酸脱氢酶(a-HBD)等。还有一些其它生化指标,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。
1.2.2.心脏疾病的专家共识
根据2009年心电图标准化及解析指南(Wagner GS, Macfarlane P, Wellens H, et al. AHA/ACCF/HRS recommendations for the standardization and interpretation of the electrocardiogram: part VI: acute ischemia/infarction: a scientific statement from the American Heart Association Electrocardiography and Arrhythmias Committee, Council on Clinical Cardiology; the American College of Cardiology 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:对获得的心电数据进行中值滤波和小波变换滤波等预处理,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。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多种病理特征的图像数据的获取
在获得实施例1中预处理的样本集数据后,进行特定心脏疾病的病理特征图像数据的获取。特定心脏疾病的病理特征图像数据包括心电动力学图和心电向量图等;具体的操作过程按照以下步骤进行:
心电向量图的获取:采集带标签的心脏电信号数据,将采集的心脏电信号数据进行中值滤波和小波变换滤波等预处理,然后进行转换获得心电向量图(VCG),转换方法采用KorsJ.A.等在1990年发表在European Heart Journal杂志的11(12):1083的论文所述方法和参数,同时获得多维X(t)、Y(t)和Z(t)的心电向量数据。
心电动力学图的获取:采集带标签的心脏电信号数据,将采集的心脏电信号数据
进行预处理,然后进行多维转换获得心电向量数据,通过确定学习对心电向量数据或截取
的心电向量数据进行非线性动力学建模(建模方法可参照“《确定学习与基于数据的建模及
控制》,自动化学报,2009,第35卷,第6期”),获得心电向量数据或截取的心电向量数据的
RBF神经网络模型,得到的心电向量数据或截取的心电向量数据的RBF神经网络模型:[];其中,、和都是高斯型径向
基函数;是通过海量带标签数据进行动态学习后获得的不同维度的最优权
重值;最后将得到的RBF神经网络模型进行三维可视化显示得到三维心电动力学图。
实施例3.对预处理的心脏疾病病理特征的图像数据进行卷积神经网络模型的构建和优化
1. 构建特定心脏疾病的卷积神经网络识别模型
将实施例2中得到的特定心脏疾病的病理特征的图像数据作为输入数据,进行机器学习,构建适应特定心脏疾病的卷积神经网络模型,实现每种病理特征的量化指标数据和特定心脏疾病相关属性之间的一一对应关系;具体为:构建心电动力学图和心电向量图的卷积神经网络识别模型。心电动力学图或心电向量图的卷积神经网络识别模型,包括至少一个输入层、至少一个隐含层和至少一个输出层组成。在一些实施方式中,所述隐含层包括但不限于卷积层、池化层或全连接层。
1.1 构建特定心脏疾病的卷积神经网络识别模型
对于VCG或心电动力学图的三维神经网络识别模型构建方法,其包括如下的步骤:
步骤一、心电动力学图(或VCG)三维卷积神经网络的构建
通过实施例2所述方法获取VCG和心电动力学图。心电动力学图(或VCG)深度卷积神经网络识别模型包括:(1)输入三维卷积层:规定输入的图像的长、宽和高为18~46像素之间的同一像素值均可,卷积层至少为1个,对输入的图像进行卷积,卷积核的尺寸包括但不限于2*2*2、3*3*3、4*4*4或5*5*5;池化层数目不大于卷积层数目,大小为2*2*2、3*3*3或4*4*4。(2)激活层:设置激活函数为包括但不限于Relu函数。(3)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)全连接层和Softmax激活层:全连接层至少有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。
同时,采用蒙特卡洛树搜索算法进行卷积神经网络模型参数的筛选:利用卷积神经网络模型的输出结果p作为搜索权重,避免直接全局搜索各种输出结果,基于先验概率p进行局部搜索同样能得到全局最优模型策略,依据树搜索得到改进的卷积神经网络模型状态转移概率矩阵,执行一次全局最佳卷积神经网络模型策略动作,当前的“节点-单元”卷积神经网络模型状态S转移至下一时刻卷积神经网络模型筛选状态。蒙特卡洛树搜索算法,具体为:(1)选择:从根节点开始,递归选择最优的子节点,直到达到叶子节点。(2)扩展:如果叶子节点不会获得输出结果,那么就创建一个或者更多的字子节点,选择其中一个 C。(3)模拟:从 C 开始运行一个模拟的输出,直到获得卷积神经网络识别模型的输出结果。(4)反向传播:用卷积神经网络识别模型的输出结果的结果输出更新当前行动序列。
特定心脏疾病的卷积神经网络识别模型的优化
特定心脏疾病的卷积神经网络识别模型的优化,主要包括以下两个方面:
(1)训练和优化模型:对于特定心脏疾病的病理特征图像的卷积神经网络识别模型,通过大量已知标签的样本数据不断进行训练,并进行大量的权重实验,获得特定心脏疾病的相关属性的各个病理特征的量化指标的最优权重分配
(2)对模型的测试:在训练优化后的卷积神经网络模型中,输入一批已知标签的样本数据测试训练优化后的模型。
实施例4.对特定心脏疾病的卷积神经网络识别模型进行评价
为了综合评价卷积神经网络模型的性能,采用心脏疾病检测的准确度、灵敏度和特异度指标来衡量实施例3中获取的训练优化后的模型,在训练优化后的卷积神经网络模型中,输入大量已知标签的样本数据,输出相关的判定结果。根据卷积神经网络模型输出的判定结果,来检测卷积神经网络识别模型的准确度、灵敏度和特异度的情况;对特定心脏疾病的卷积神经网络识别模型的应用性能和不足进行综合评判和优化,完成对特定心脏疾病的卷积神经网络识别模型的建立。
卷积神经网络识别模型的检测结果的准确度、灵敏度和特异度的定义具体如下:
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,获得优化后的卷积神经网络识别模型,具体为心电向量图(VCG)的卷积神经网络模型、心电动力学图的卷积神经网络模型、心电向量图(VCG)的卷积神经网络识别模型以及心电动力学图的卷积神经网络识别模型。
发明人选用了17140个样本数据,对构建的卷积神经网络识别模型进行评价,获得心电动力学图的卷积神经网络识别模型评价的实验数据;实验结果表明,心电动力学图的卷积神经网络,是几个模型中最优的卷积神经网络识别模型。
实施例5. 心脏疾病的判定结果输出的权重优化
将大量已知标签的样本数据输入到实施例4中优化筛选的心电动力学图(或VCG)的卷积神经网络识别模型中,获得对应的心电动力学图(或VCG)的卷积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(心电动力学图、或VCG)的卷积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,即带权值的心电动力学图(或VCG)的卷积神经网络识别模型输出结果的综合判定体系。
实施例6. 通过卷积神经网络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病理特征的图像数据,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卷积神经网络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)采集待测人员多种病理特征的图像数据及预处理
采集待测人员的特定心脏疾病的病理特征的图像数据,并对采集的待测人员的病理特征的图像数据进行相应的预处理,预处理的方法依照实施例1和实施例2的记载,使之成为适用于卷积神经网络识别模型的规范数据;其中,对于特定心脏疾病的病理特征的图像数据的选用,需根据具体的心脏疾病来筛选确定。
(二)特定心脏疾病有关属性的多种病理特征的量化指标数据的获取
采用实施例2所述的方法,从步骤(一)处获得的预处理的多种病理特征的规范数据中,获得待测人员的VCG/心电动力学图的图像数据。
(三)特定心脏疾病判定结果的输出
将步骤(二)中获取的特定心脏疾病有关的VCG/心电动力学图的图像数据输入到实施例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,得出待测人员的心脏健康的检测信息。
实施例7. 一种基于互样本熵的急性心肌梗死疾病的识别方法
本实施例主要是关于一种基于互样本熵的急性心肌梗死疾病的识别方法,其包括以下步骤:
步骤一、根据实施例2的记载方法,采集急性心肌梗死病人与正常被试者心电动力学图。
步骤二、获取急性心肌梗死病人与正常被试者心电动力学图的差异区,挑选出与急性心肌梗死相关的心电动力学图的部分图像数据,这部分图像数据定义为感兴趣区域;获得急性心肌梗死病人与正常被试者心电动力学图的差异区的过程为:
(1)对获得的心电动力学图进行图像转数据的处理;
(2)计算得到处理后心电动力学图数据的处理值;
(3)对得到的心电动力学图数据值进行双样本t检验,从而得到急性心肌梗死病人与正常被试者心电动力学图的差异区。
步骤三、提取每个感兴趣区域中的时间序列,并对每个感兴趣区域的的时间序列进行上采样,然后利用上采样后的时间序列计算任意两个感兴趣区域的互样本熵值;
(1)从所有感兴趣区域中任意选出两个区域组成一对,分别记为感兴趣区域M、感兴趣区域N,假设感兴趣区域M由i个组成,则每个分别记为M1、M2、M3、……、Mi,假设感兴趣区域N由j个组成,则每个分别记为N1、N2、N3、……、Nj;
(2)分别提取M1和N的时间序列,然后对提取的时间序列进行上采样,上采样后的时间序列分别记为时间序列M1(t)、时间序列N1(t)、时间序列N2(t)、时间序列N3(t)、……、时间序列Nj(t);
(3)计算M1的上采样后的时间序列M1(t)与感兴趣区域N之间的互样本熵值Q1N:
①分别计算时间序列M1(t)与时间序列N1(t)、时间序列N2(t)、时间序列N3(t)、……、时
间序列Nj(t)之间的互样本熵值,分别计作互样本熵值Q11、互样本熵值Q12、互样本熵值
Q13、……、互样本熵值Q1j; 在此处,互样本熵值计算公式如下:定义时间序列的任一数据是
维数为2的矢量,定义相似容限=0.15,;
②将互样本熵值Q11、互样本熵值Q12、互样本熵值Q13、……、互样本熵值Q1j求和,然后求出平均值,该平均值即为时间序列M1(t)与感兴趣区域N之间的互样本熵值,记为互样本熵值Q1N;
(4)用同样的方法计算感兴趣区域M中其他的上采样后的时间序列与感兴趣区域N之间的互样本熵值,该互样本熵值分别记为互样本熵值Q2N、互样本熵值Q3N、……、互样本熵值QiN;
(5)计算感兴趣区域M与感兴趣区域N之间的互样本熵值:
将互样本熵值Q2N、互样本熵值Q3N、……、互样本熵值QiN求和,然后求出平均值,该平均值即为感兴趣区域M与感兴趣区域N之间的互样本熵值,记为互样本熵值QMN。
步骤四、将急性心肌梗死病人的任意两个感兴趣区域的互样本熵值与正常被试者相应的两个感兴趣区域的互样本熵值进行比较,当二者的互样本熵值不相等时,则确定急性心肌梗死病人的该两个感兴趣区域的心脏器质性功能发生了改变,这种心脏器质性功能的改变被认定为急性心肌梗死发生或加重的原因。
在一些实施方式中,还可采用其他的熵的技术方法进行急性心肌梗死的检测方法的开发,所述其他的熵的技术方法包括但不限于:相似熵、样本熵或信息熵等。
实施例8. 本发明提供方法与传统方法技术效果的对比
本实施例采用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及实施例7中所述的检测方法,分别对三组待测人员(# 1 Trial组、# 2 Trial组和# 3 Trial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;三组待测人员都选用待测人员的心电向量图的图像数据和心电动力学图的图像数据以及从实施例7中提取的互样本熵的检测结果,检测判定的方法为将实施例6输出结果和实施例7的输出结果分别赋予权重值0.6和0.4,将得出的最终结果和训练的心肌缺血患者的阈值范围进行比较,得出的最终结果在训练的心肌缺血患者的阈值范围内的输出为心肌缺血患者,得出的最终结果不在训练的心肌缺血患者的阈值范围内的输出为非心肌缺血患者。
在# 1 Trial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,# 2 Trial组和在# 3Trial组中的待测人员的选用要求,与# 1 Trial组的选用要求相同。在本实施例中,VCG的卷积神经网络识别模型输出结果、心电动力学图的卷积神经网络识别模型输出结果的权重值分别为0.5和0.5。
如表1和表2所示,在# 1 Trial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并结合实施例7中所述的方法(实施例6输出结果和实施例7的输出结果分别赋予权重值0.6和0.4)检测出心肌缺血个体的平均数为80个,总计耗时2.3min。在#2 Trial组实验中,又测试了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;采用采用实施例6并结合实施例7中所述的方法(实施例6输出结果和实施例7的输出结果分别赋予权重值0.6和0.4)测出心肌缺血个体的平均数为69个,总计耗时2.0min。在# 3 Trial组实验中,又测试了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;采用采用实施例6并结合实施例7中所述的方法(实施例6输出结果和实施例7的输出结果分别赋予权重值0.6和0.4)检测出心肌缺血个体的平均数为64个,总计耗时1.8min。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1. 本发明提供方法与传统方法的检测效果的对比
表2. 本发明提供方法与传统方法的检测效果的对比
编号 | 待查个体数量 | 确定为病人个体的数量 | 传统方法平均消耗时间 | 本发明所述方法消耗时间 |
# 1 Trial | 120 | 90 | 270min | 2.3min |
# 2 Trial | 120 | 80 | 240min | 2.0min |
# 3 Trial | 120 | 70 | 210min | 1.8min |
由此可见,实施例7以及实施例8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9. 基于人工智能自学习的心肌缺血的检测方法
本实施例是关于基于人工智能自学习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图,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图的卷积神经网络模型,心电向量图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:规定输入心电向量图的形状为28*28*28,卷积层有3个,对输入的图像进行卷积,卷积核的尺寸都是3*3*3;池化层2个,大小为2*2*2,池化层采用最大池化法。(2)激活层:设置激活函数为ReLu。(3)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。
通过采集实施例8所述的待测人员的心电向量图进行本实施例的实验,发现本实施例所述心电向量图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8所述的待测人员的心电动力学图,输入到实施例3所述心电动力学图的卷积神经网络模型,发现心电动力学图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图的卷积神经网络模型的输出结果和心电动力学图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. 基于卷积神经网络模型间迁移学习的心肌缺血的检测方法
迁移学习是指将已经学到的模型参数(或模型学到的知识)通过某种方式来分享给新模型从而加快并优化模型的学习效率的方式,迁移学习用于解决通过深度卷积神经网络对训练样本图像进行训练得到的模型出现过度拟合的问题,实现模型优化,得到图像类别识别模型,从而识别待识别图像的类别,并输出识别结果,识别结果包括待识别物品所属疾病类别。
采用实施例5所述带权值的心电动力学图(或VCG)的卷积神经网络识别模型输出结果的综合判定体系,利用迁移学习技术,将少量并含多种已标记标签的心电动力学图(或VCG)图像样本数据作为训练样本,放入实施例5所述带权值的心电动力学图(或VCG)的卷积神经网络识别模型输出结果的综合判定体系模型中训练,得到一个可区分多种心脏疾病的鉴别模型,将含有大量噪音标签的心脏疾病图像样本数据作为测试集,用此模型进行测试,模型可对这些具有噪音标签的图像进行准确分类。结果表明迁移学习后的多种心脏疾病的鉴别模型对心脏疾病的鉴别率较未训练前有了较大的提升。
基于卷积神经网络模型间迁移学习的心肌缺血的检测方法,包括如下几个步骤:
(1)使用迁移学习方法将种子样本数据加载到带权值的心电动力学图(或VCG)的卷积神经网络识别模型输出结果的综合判定体系上进行训练,对种子样本数据中的各种特征进行学习与计算,使用梯度下降与误差反向传播算法调整全连接层的权值,得到相对应心脏疾病的自动鉴别模型;对带权值的心电动力学图(或VCG)的卷积神经网络识别模型输出结果的综合判定体系进行知识迁移的方法为:将已经预先训练好的带权值的心电动力学图(或VCG)的卷积神经网络识别模型输出结果的综合判定体系纵向划分为各个子网络(即各组卷积层和池化层)。在使用心电动力学图(或VCG)图像进行训练时,只训练调整最后全连接层的权值而维持其他各子网络的权值不变。
梯度下降法的具体步骤为:计算损失函数对各个权值的梯度,从任一点开始,沿该点梯度的反方向运动一段距离,在新位置继续沿梯度反方向运行一段距离,这样不断的更新网络的权值。误差反向传播算法的具体步骤为:在利用梯度下降法迭代更新卷积神经网络各层的权值时,梯度根据链式求导法则从网络的最后一层依次向前传播。
(2)用步骤(1)的模型对含有噪音标签的样本数据中的所有图像进行测试,总共有N张图像,得到每张图像的置信度。
(3)对所有图像的置信度进行降序排序,选择置信度排名在前K的图像,选择原有标签与模型诊断标签一致的图像,将这些图像标识为具有正确标签的图像;选择原有标签与模型鉴别标签不一致的图像,并将其标识为错误标签的图像,然后对该图像的标签进行纠正;将纠正后的图像与标签正确的图像添加到增量样本数据中,并从原来含有噪音标签的样本数据中移除这两部分图像。
(4)将种子样本数据与增量样本数据合并为新的种子样本数据,判断含有噪音标签的样本数据中是否还有图像,若有,返回执行步骤1);若没有,则结束。
在步骤4)中,我们在置信度为前K名中的图像中选择正确标签的图像和错误标签的图像,假设第二部分样本数据的图像数量为N张,则整个实验将进行N/K次迭代,即重复N/K 次本步骤,直到该部分样本数据无剩余图片。如N为400,若K取200,执行步骤次数为4次;若K取 200,执行步骤次数为2次。这时所有的噪音标签都被模型进行训练并纠正。
实施例11. 心电动力学图的二维平面投影的卷积神经网络识别模型的构建
本实施例是关于心电动力学图的二维平面投影的卷积神经网络识别模型构建方法的描述。
心电动力学图二维平面投影的卷积神经网络识别模型构建方法,包括:
步骤一、根据实施例1和实施例2所述方法,获得心电动力学图;
步骤二、将获得所有样本数据的心电动力学图分别放在统一大小的XYZ坐标空间中的同一位置,对于每一个心电动力学图依次进行同样的XY平面投影、YZ平面投影和XZ平面投影,获得每一个心电动力学图的不同平面的二维投影。
步骤三、 将获得心电动力学图二维平面投影进行预处理,将所有预处理后的心电动力学图的二维平面投影的形状调整为28*28;
步骤四、构建卷积神经网络识别模型: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;输出层采用softmax分类器;激活函数采用ReLu激活函数。
步骤五、输出心脏疾病分类结果。
发明人发现,将心电动力学图二维平面投影的卷积神经网络识别模型用于心肌缺血检测,心肌缺血检测的准确率和传统方法相比提高了至少10%;如果结合实施例5所述的特定心脏疾病的带优化权值的综合判定体系,并分配心电动力学图二维平面投影的卷积神经网络识别模型输出结果(模型内部的输出结果赋以相同的权重值)、心电动力学图的卷积神经网络识别模型输出结果、和VCG的卷积神经网络输出结果的权值分别为0.2、0.5、和0.3,心肌缺血检测的准确率和传统方法相比提高了至少25%。
虽然在本发明已提供数个实施例,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。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。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)
1.一种基于人工智能的心脏疾病辅助检测方法,其特征在于,包括以下步骤:
步骤1. 获取样本数据,所述样本数据包括特定心脏疾病的病理特征数据,所述特定心脏疾病的病理特征数据包括心电动力学图;
步骤2. 对步骤1获取的样本数据进行机器学习,获得特定心脏疾病的卷积神经网络模型,所述特定心脏疾病的卷积神经网络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组成;
步骤3. 对步骤2所述特定心脏疾病的卷积神经网络模型进行迁移学习训练,获得特定心脏疾病的卷积神经网络识别模型。
2.根据权利要求1所述心脏疾病辅助检测方法,其特征在于,步骤1还包括对所述心电动力学图进行预处理的步骤,预处理后的心电动力学图的长度、宽度和高度都为18~46像素之间的同一像素值。
3.根据权利要求1所述心脏疾病辅助检测方法,其特征在于,所述特定心脏疾病的卷积神经网络识别模型还包含了蒙特卡洛树搜索算法。
4.根据权利要求1所述心脏疾病辅助检测方法,其特征在于,步骤1中所述特定心脏疾病的病理特征数据还包括心电向量图、心电向量图的二维平面投影图和心电动力学图的二维平面投影图中的一种或几种。
5.根据权利要求4所述心脏疾病辅助检测方法,其特征在于,步骤4还包括对所述心电向量图进行预处理的步骤,预处理后的心电向量图的长度、宽度和高度都为18~46像素之间的同一像素值。
6.根据权利要求4所述心脏疾病辅助检测方法,其特征在于,对所述心电向量图的二维平面投影图或心电动力学图的二维平面投影图需进行预处理,预处理后的心电向量图的二维平面投影图(或心电动力学图的二维平面投影图)的长度和宽度都为18~46像素之间的同一像素值。
7.一种基于人工智能的心脏疾病辅助检测方法,其特征在于,包括以下步骤:
S1. 采集待测人员的特定心脏疾病的病理特征数据,所述待测人员的特定心脏疾病的病理特征数据包括待测人员的心电向量图、心电动力学图、心电向量图的二维平面投影图和心电动力学图的二维平面投影图中的一种或几种;
S2. 将步骤S1采集的图像数据输入到权利要求1至6任一权项所述特定心脏疾病的卷积神经网络识别模型,得到待测人员的心脏疾病的检测结果。
8.根据权利要求7所述心脏疾病辅助检测方法,其特征在于,步骤S2所述待测人员的心脏疾病的检测结果还包含特定心脏疾病的熵的检测信息。
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1-6任一权项所述心脏疾病辅助检测方法。
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 |
---|---|---|---|
CN201811552790.9A CN111329467A (zh) | 2018-12-18 | 2018-12-18 | 一种基于人工智能的心脏疾病辅助检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811552790.9A CN111329467A (zh) | 2018-12-18 | 2018-12-18 | 一种基于人工智能的心脏疾病辅助检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111329467A true CN111329467A (zh) | 2020-06-26 |
Family
ID=71174031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811552790.9A Pending CN111329467A (zh) | 2018-12-18 | 2018-12-18 | 一种基于人工智能的心脏疾病辅助检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111329467A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112932535A (zh) * | 2021-02-01 | 2021-06-11 | 杜国庆 | 一种医学图像分割及检测方法 |
CN113921144A (zh) * | 2021-09-23 | 2022-01-11 | 清华大学 | 疾病预测集处理方法、装置、电子设备及存储介质 |
CN114869294A (zh) * | 2022-05-05 | 2022-08-09 | 电子科技大学 | 基于vmd分解和let模型的粒子滤波运动伪迹抑制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103549949A (zh) * | 2013-10-21 | 2014-02-05 | 华南理工大学 | 基于确定学习理论的心肌缺血辅助检测方法 |
US20170032221A1 (en) * | 2015-07-29 | 2017-02-02 | Htc Corporation | Method, electronic apparatus, and computer readable medium of constructing classifier for disease detection |
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 |
CN107657602A (zh) * | 2017-08-09 | 2018-02-02 | 武汉科技大学 | 基于两次迁移卷积神经网络的乳腺结构紊乱识别方法 |
CN111261278A (zh) * | 2018-11-30 | 2020-06-09 | 上海图灵医疗科技有限公司 | 一种基于三维图像的深度学习模型的心脏疾病检测方法 |
-
2018
- 2018-12-18 CN CN201811552790.9A patent/CN111329467A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103549949A (zh) * | 2013-10-21 | 2014-02-05 | 华南理工大学 | 基于确定学习理论的心肌缺血辅助检测方法 |
US20170032221A1 (en) * | 2015-07-29 | 2017-02-02 | Htc Corporation | Method, electronic apparatus, and computer readable medium of constructing classifier for disease detection |
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 |
CN107657602A (zh) * | 2017-08-09 | 2018-02-02 | 武汉科技大学 | 基于两次迁移卷积神经网络的乳腺结构紊乱识别方法 |
CN111261278A (zh) * | 2018-11-30 | 2020-06-09 | 上海图灵医疗科技有限公司 | 一种基于三维图像的深度学习模型的心脏疾病检测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112932535A (zh) * | 2021-02-01 | 2021-06-11 | 杜国庆 | 一种医学图像分割及检测方法 |
CN113921144A (zh) * | 2021-09-23 | 2022-01-11 | 清华大学 | 疾病预测集处理方法、装置、电子设备及存储介质 |
CN114869294A (zh) * | 2022-05-05 | 2022-08-09 | 电子科技大学 | 基于vmd分解和let模型的粒子滤波运动伪迹抑制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sharma et al. | Deep learning applications for disease diagnosis | |
CN111261289A (zh) | 一种基于人工智能模型的心脏疾病的检测方法 | |
Li et al. | Combining convolutional neural network and distance distribution matrix for identification of congestive heart failure | |
CN108090509B (zh) | 一种数据长度自适应的心电图分类方法 | |
CN111261277A (zh) | 一种基于深度学习模型的心脏疾病的检测方法 | |
Merjulah et al. | Classification of myocardial ischemia in delayed contrast enhancement using machine learning | |
CN109512423A (zh) | 一种基于确定学习与深度学习的心肌缺血危险分层方法 | |
TWI701681B (zh) | 心房顫動預測模型及其預測系統 | |
Chen et al. | A new deep learning framework based on blood pressure range constraint for continuous cuffless BP estimation | |
CN111329467A (zh) | 一种基于人工智能的心脏疾病辅助检测方法 | |
CN111951965B (zh) | 基于时序知识图谱的全景式健康动态监测与预测系统 | |
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 | |
Pal et al. | Deep learning techniques for prediction and diagnosis of diabetes mellitus | |
Liu et al. | A simple and effective method for detecting myocardial infarction based on deep convolutional neural network | |
Shen et al. | Risk prediction for cardiovascular disease using ECG data in the China Kadoorie Biobank | |
Huang et al. | A multiview feature fusion model for heartbeat classification | |
Al-Huseiny et al. | Diagnosis of arrhythmia based on ECG analysis using CNN | |
Meqdad et al. | Meta structural learning algorithm with interpretable convolutional neural networks for arrhythmia detection of multisession ECG | |
He et al. | Localization of myocardial infarction using a multi-branch weight sharing network based on 2-D vectorcardiogram | |
Tung et al. | Multi-lead ECG classification via an information-based attention convolutional neural network | |
Dambal et al. | Premature Ventricular Contraction Classification Based on Spiral Search-Manta Ray Foraging and Bi-LSTM | |
Andry et al. | Electronic health record to predict a heart attack used data mining with Naïve Bayes method | |
Nath et al. | Quantum annealing for automated feature selection in stress detection | |
Hong et al. | Gated temporal convolutional neural network and expert features for diagnosing and explaining physiological time series: a case study on heart rates | |
Shi et al. | Congestive heart failure detection based on attention mechanism-enabled bi-directional long short-term memory model in the internet of medical things |
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: 20210114 Address after: 050011 Room 102 and 14, 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: 20200626 |